摘要：传统的文本分类方法假设训练集与测试集中的特征词服从相同的概率分布，但在实际应用中，以上假设存在偏差，会影响到最终的分类结果。针对这一情况，本文采用迁移学习，通过计算特征词的迁移量对训练集中向量空间模型进行修正，最终使训练集与测试集中特征词的分布概率趋于一致。将提出的方法应用于中文垃圾邮件过滤与中、英文网页分类中，在CHI统计特征选择基础上进行特征迁移，实验结果表明新方法可以有效消除特征词分布的差异性，使文本分类的各项指标明显提高。
分类：期刊> 自然科学与工程技术> 信息科技> 电信技术
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > SA 科学文摘(英) > JST 日本科学技术振兴机构数据库(日) > Pж(AJ) 文摘杂志(俄) > 剑桥科学文摘 > 国家图书馆馆藏 > 上海图书馆馆藏 > 文摘与引文数据库
关键词：文本分类 迁移学习 迁移量 向量空间模型
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
