文本分类中样本的筛选（基于VSM模型）

1、选筛选的人对分类的结构、每个分类中应该有哪些文章应该比较清楚并有一定的理解。

 

2、择较容易判别、典型的文章：一篇文章大致阅读以后，就能判定这篇文章属于哪个类别，而且可以指出因为哪些词语而使得这篇文章归属到该类别，这样的样本为上佳样本。

 

3、感觉这篇文章会在类别中有交叉，则立即放弃 。

 

4、对于分类中可能出现的文章内容，每个都筛选一些样本 。

反例：关于时事新闻的类别可能包含的内容：国际时事、近期的国际事件（钓鱼岛）、美国大选等等，但选样本是选择所有的文章均是关于钓鱼岛事件的 。这些样本典型，而且和别的分类交叉也不大，但这样的样本总体来说是不好的，不能代表整体。

正例：选一些关于美国大选的文章、选一些关于台陆关系的文章，选一些关于钓鱼岛事件的文章 。

 

5、样本文本不要选太长的文本，一般选取适中的文章 。

 

 

自己的一些见解，欢迎讨论、更正.....