第47卷第1期燕山大学学报Vol.47No.12023年1月JournalofYanshanUniversityJan．2023文章编号:1007-791X(2023)01-0082-07基于改进朴素贝叶斯算法的文本分类研究辛梓铭，王芳*(燕山大学理学院，河北秦皇岛066004)收稿日期:2021-12-13责任编辑:王建青基金项目:河北省自然科学基金资助项目(F2020203105);河北省高等学校科学技术研究项目(ZD2022012);国家自然科学基金资助项目(62073234)作者简介:辛梓铭(1997-)，男，黑龙江绥化人，硕士研究生，主要研究方向为数据处理技术;*通信作者:王芳(1984-)，女，安徽淮北人，博士，副教授，主要研究方向为数据处理技术和多智能体系统控制，Email:wangfang@ysu．edu．cn。摘要:朴素贝叶斯算法在给定输出类别的情况下，需假设属性之间相互独立，然而现实中这个假设一般不成立，导致在属性个数较多或者属性之间相关性较大时，分类效果不是很理想。为了解决这个问题，本文采用优化的模糊C均值聚类及权重计算方法改进朴素贝叶斯算法。首先，基于JS散度构造类别个数的自适应函数优化模糊聚类算法，利用优化后的算法将文本分类整理。然后，采用词频因子优化的TF-IDF算法计算分类后各样本的特征权重，结合样本权重与贝叶斯公式，进行分类计算。最后，为了体现改进的朴素贝叶斯算法的有效性和优越性，将其与原始朴素贝叶斯算法以及其他改进算法进行对比实验。实验结果表明，改进后的算法有效地降低了朴素贝叶斯模型对特征项独立性的要求，提高了分类决策的准确率，且在分类性能和效率上具有一定的优越性。关键词:朴素贝叶斯;文本分类;模糊聚类;特征权重;独立性假设中图分类号:TP391文献标识码:ADOI:10．3969/j．issn．1007-791X．2023．01．0090引言随着互联网技术的迅猛发展以及大数据时代的到来，文本信息量呈爆炸式增长。如何更快更准确地进行信息检索与数据分类成为重要的问题。文本分类算法是数据挖掘领域的核心内容之一，它根据分类器将数据集中的数据项划分到某一个固定的类别，基本步骤为:文本预处理、索引和词频统计、特征抽取、构造分类器以及对分类结果的评价。文本分类算法包含多种，如支持向量机算法［1］、决策树算法［2］、K近邻算法［3］、神经网络算法［4］、贝叶斯分类算法［5］等等。朴素贝叶斯算法先计算各个样本的先验概率，再利用贝叶斯公式计算各样本属于每一个类的后验概率。该算法高效稳定，常被应用于数据分析:张付志等［6］利用贝叶斯算法对垃圾邮件的过滤进行研究;杨晓花等［7］利用贝叶斯算法...
