文說
使
統(tǒng)計學習
進行文本分類就
讓計算機自己
觀察由人提供
訓練文檔集，自己總結出于判別文檔類別規(guī)則依據(jù)。理想結果當然讓計算機理解文章容基礎進行這樣分類，然而遺憾，們所說“理解”往往指文章語義甚至語信息，這類信息極其復雜，抽象，而且存文相關性，這類信息計算機表示都尚未解決問題（往里說，這個“知識表示”問題，完全以另系列文章說），更不說讓計算機理解。
利計算機解決問題標準思路應該：這種問題尋找種計算機以理解表示，或曰建立個模型（個文檔表示模型）；然基于這個模型，選擇各方面滿足求算法解決。譚浩強話說，程序，就數(shù)據(jù)+算法。（啥？不知道譚浩強誰？過學么？學過C么？這搗什么亂？）
既然文本語義語信息難轉換成計算機能夠理解表示形式，接順理成章，人們開始文章所包含較級別詞匯信息表示文檔，試，效果居然還不。
統(tǒng)計學習進行文本分類（以就簡稱“統(tǒng)計學習”，雖然這個以應除文本分類以個領域）個重提由此產(chǎn)生，那就認：文檔容其所包含詞有著必然聯(lián)系，同類文檔間總存個共同詞，而不同類文檔所包含詞間差異[1]。
進步，不光包含哪些詞重，這些詞出現(xiàn)次數(shù)分類重。
這提使得向量模型（俗稱VSM，向量空間模型）成適合文本分類問題文檔表示模型。這種模型，篇文章被看作特征項集合看，利加權特征項構成向量進行文本表示，利詞頻信息文本特征進行加權。實現(xiàn)起比較簡單，并且分類準確度，能夠滿足般應求。[5]
而實際，文本種信息載體，其所攜帶信息由幾部分組成：如組成元素本身信息（詞信息）、組成元素間順序關系帶信息以及文信息（更嚴格說，還包括閱讀本身背景理解）[12]。
而VSM這種文檔表示模型，基本完全忽略除詞信息以所有部分，這使得能表達信息量存限[12]，直接致基于這種模型構建文本分類系統(tǒng)（雖然這目絕主流做法），幾永遠不能達人類分類能力。面們談，相比于所謂分類算法，特征選擇，就使哪些特征代表篇文檔，往往更能影響分類效果。
于擴充文檔表示模型所包含信息量，人們做過有益嘗試，例如被稱LSI（Latent Semantic Index潛語義索引），就被實驗證明保留定語義信息（所以說被實驗證明，因人們還無法形式嚴格地證明確實保留語義信息，而且這種語義信息并非以人以理解方式被保留），此話。
文說（就不能不這種老舊說法？換換新，比如Previously on "Prison Break"，噢，不，Previously on Text Categorizaiton……）統(tǒng)計學習其實就個兩階段解決方案，（1）訓練階段，由計算機總結分類規(guī)則；（2）分類階段，給計算機些從沒見過文檔，讓分類（分不就打屁屁）。
章就專門說說訓練階段二三事。
