这这一篇博客中，将系统介绍中文文本分类的流程和相关算法。

先从文本挖掘的大背景开始，以文本分类算法为中心，介绍中文文本分类项目的流程以及相关知识，知识点涉及中文分词，向量空间模型，TF-IDF方法，几个典型的文本分类算法和评价指标等。

本篇主要有：

朴素的贝叶斯算法

KNN最近邻算法。

文本挖掘与文本分类的概念

简单来说，文本挖掘就是从已知的大量文本数据中提取一些未知的最终可能用过的知识的过程，也就是从非结构化的文本中寻找知识的过程。

领域

文本挖掘主要领域有：

1. 啥是文本分类（Text Classification）：

将一篇文档分到其中一个或者多个类的过程，例 ：判断分类出垃圾邮件

类型：包括类别数目（Binary、multi-class）、每篇文章赋予的标签数目（Single label、Multi label）

基础知识

一. 概率论基础

1. 条件概率公式：

文本分类问题： 给定文档p（可能含有标题t），将文档分类为n个类别中的一个或多个

文本分类应用： 常见的有垃圾邮件识别，情感分析

文本分类方向： 主要有二分类，多分类，多标签分类

文本分类方法： 传统机器学习方法（贝叶斯，svm等），深度学习方法（fastText，TextCNN等）

本文的思路： 本文主要介绍文本分类的处理过程，主要哪些方法。致力让读者明白在处理文本分类问题时应该从什么方向入手，重点关注什么问题，对于不同的场景应该采用什么方法。

文本分类的处理大致分为文本预处理、文本特征提取、分类模型构建等。和英文文本处理分类相比，中文文本的预处理是关键技术。