卡方特征词选择算法的中间文件 包括用卡方法选出的特征词， 测试文档集合VSM模型， 训练文档集合VSM模型 最后的评测结果文件

基于Hadoop的文本分类算法系统，本系统实现了分词处理，停用词处理（IK）；使用朴素贝叶斯分类算法来对文本进行训练和分类，在测试过程中使用词频特征选择作为特征词选择算法，分类准确率达到了78%，包含卡方特征选择算法（训练集特征选择）。

使用深度学习和模型的方法，判断非结构化文本的情绪倾向CN107688651A 权利要求书 2/2页 若从该待预测新闻的标题和正文中没有识别出所述第一文件中的事件关键词,且没有 识别岀与所述第二文件中的事件正则表达式符合的内容,则将所述预定的机器学习算法获 取的该待预测新闻的情感分数作为该待预测新闻的最终评分。 8.如权利要求7所述的新闻情感方向判断方法,其特征在于,所述调整所述预定的机器 学习算法获取的该待狈测新闻的情感分数还包括: 若从该待预测新闻的标题和正文中识别出与所述第二文件中的事件正则

基于用户画像的广告定向技术普遍应用于品牌展示和精准竞价广告，然而现有的用户搜索画像技术存在着特征维度大、矩阵稀疏的问题。针对这一问题，本文采用卡方检验和线性核支持向量机相结合的方法，首先利用结巴分词对搜索文本预处理，其次采用卡方检验进行特征选择，并采用支持向量机分类算法进行属性判定，最后进行了实验对比。实验表明卡方检验有效降低了特征维度，并提升了分类准确度；支持向量机在矩阵稀疏上分类性能优于其他常用的文本分类算法。