文本分类是文本挖掘的重要研究领域。通常,文本数据集的特征数量远大于样本数量,进行有效的特征选择可大幅提升分类性能。基于“词袋模型”的文本特征选择策略主要有过滤式、包装式和混合式。其中,过滤式方法的耗时短、通用性强;包装式方法的分类效果好,但耗时长,难以应用于文本数据集上;混合式方法能够结合二者优点,在拥有较高分类效果的同时拥有较短的时间代价。文章对混合式文本特征选择方法进行研究,将词频与词位置信息应用于方法的过滤阶段,并在包装阶段利用词语全局判别信息指导搜索。主要工作如下:(1)基于词频与词位置信息的类别表征能力计算方法基于词语位置信息的特征选择策略通常根据经验来确定词语的位置权重,缺乏事实依据。提出一种词语的类别表征能力,该指标结合词频与词位置信息用于特征选择:首先,统计语料库中所有高权重词语的出现位置,得到词语的位置权重因子;然后,按权重因子对文档中的词频加权求和,获得不同类别的加权词类别频数;最后,对加权词类别频数进行归一化,计算得到基于词频与词位置信息的类别表征能力。(2)基于类别表征能力与信息增益的特征选择方法信息增益方法只考虑特征词在文本中出现与否,没有考虑词频带来的影响。提出一种基于类别表征能力与信息增益的特征选择方法,作为混合式特征选择的过滤阶段:首先,改进信息增益的表达式,在考虑系统熵的变化时,加入基于词频与词位置信息的类别表征能力;然后,结合多目标优化策略,选取特征集合中的非支配特征;最后,在剩余特征集合中选取得分高的特征,通过实验验证,确定最优截断比例。(3)基于全局判别信息与遗传算法的特征选择方法传统遗传算法在进化过程中没有考虑单个特征的类别区分力。提出一种基于全局判别信息与遗传算法的特征选择方法,作为混合式特征选择的包装阶段:首先,结合多目标优化思想,提出非支配个体选择策略用于保留优秀个体;然后,根据文本分类的评价指标和个体信息,构建遗传算法的适应度函数;最后,基于词语的全局判别信息设计遗传算法的交叉算子,取代随机交叉方式。(4)基于词频与词位置信息的混合式特征选择方法以基于类别表征能力与信息增益的特征选择方法作为过滤阶段、基于全局判别信息与遗传算法的特征选择方法作为包装阶段,提出一种基于词频与词位置信息的混合式特征选择方法。首先,根据过滤阶段中的最优截断比例删除部分特征,保留剩余特征的全局判别信息;然后,将剩余特征输入到包装阶段,获得特征选择结果;最后,对测试文档中的高权重词语进行特征扩展,补充文本信息。实验表明,基于词频与词位置信息的混合式特征选择方法结合了过滤式和包装式特征选择方法的优点,提升了文本分类性能,为混合式特征选择提供了新的解决方案。