1.什么是文本分类
在定义文本分类之前，需要理解文本数据的范围，以及分类的真实含义。这里的文本数据可以是短语、句子或者包含文本段落的整篇文档等任何形式，这些数据可以从语料库、博客或互联网的任何地方获得。文本分类也经常成为文档分类，文档这个词概括了任何形式的文本内容。文档这个词可以定义为思想或事件的一些具体的表示，这些标识可以是书面、语言记录、会话或演讲等形式。这里，使用文档这个词来表示文本数据，例如英语中的句子或段落。
文本分类也称为文本归类，这里使用文本分类这个词有两个原因。第一个原因是要分类文档，文本分类和文本归类具有相同的性质。第二个原因是将用分类或有监督机器学习方法来分类或归类文档。文本分类基友很多方法。将会集中精力解释用于分类的有监督方法。分类过程不只局限于文本，还广泛用于其他领域，包括科学、健康、天气预测和技术等。
假设有一个预定义的类集合，文本或文档分类是将文档指定到一个或多个分类或类型的过程。这里的文档就是文本文档，每个文档包含单词组成的句子或段落。一个文本分类系统基于文档的内置属性，能够成功的将每个文档分类到正确的类别中。数学上，可以做如下定义：假设 d 是文档 D 的描述或属性，d € D，我们基友一组预先定义的类别或分类 C = {c1,c2,c3,...,cn}。真实的文档 D 可能拥有很多内在的属性，这使得 D 称为高维空间的一个实体。使用这个空间的一个子集，其是包含一组优先的描述或特征的集合，表示为 d，可以使用文本分类系统 T 完成地将原始文档 D划分到正确的类型 Cx。这可以表示为 T: D>Cx。
下图是文本分类过程高层次的概念表示：
如图所示，看到表示产品的几个文档分为食物、移动电话和电影几个类别。最初，正如文本语料库自身不同的文档一样，这些文档放置在一起。通过一个文本分类系统之后，这里用通过黑色的方框表示，看到每个文件属于预先定义的一个类或类别中。这里使用文档的名称来表示文档，但是实际数据中，文档可能包含丰富的信息使得文档识别与分类更加容易，这些信息包括电影的分类、产品的说明与组成，以及很多可以作为分类系统特征的属性。
文本分类具有很多划分方法，目前只介绍两种基于文档内容分类的分类：
- 基于内容的分类。
- 基于请求的分类。
这两类的差异在于文本文档分类方法背后的思想或理念，而不在于具体的技术算法与过程。基于内容的分类 是根据文本内容主题或题目的属性或权证来进行文档分类的。举一个概念性的例子，一本书有 30% 以上的内容是关于食物准备的，这本书可以归为烹饪/食谱类。基于请求的分类世道用户需求的影响，其目标是特定的用户群和读者。这类分类收到特殊策略和思想的控制。