一個文本（以下基本不區分“文本”和“文檔”兩個詞的含義）分類問題就是將一篇文檔歸入預先定義的幾個類別中的一個或幾個，而文本的自動分類則是使用計算機程序來實現這樣的分類。通俗點說，就好比你拿一篇文章，問計算機這文章要說的究竟是體育，經濟還是教育，計算機答不上就打它的屁屁（……）。
注意這個定義當中著重強調的兩個事實。
第一，用于分類所需要的類別體系是預先確定的。例如新浪新聞的分類體系，Yahoo!網頁導航的分類層次。這種分類層次一旦確定，在相當長的時間內都是不可變的，或者即使要變更，也要付出相當大的代價（基本不亞于推倒并重建一個分類系統）。
第二，一篇文檔并沒有嚴格規定只能被分配給一個類別。這與分類這個問題的主觀性有關，例如找10個人判斷一篇文章所陳述的主題究竟屬于金融，銀行還是財政政策領域，10個人可能會給出11個不同的答案（聰明的讀者，您應該能看出來并沒有11個答案，這只是一種修辭方法，笑），因此一篇文章很可能被分配到多個類別當中，只不過分給某些類別讓人信服，而有些讓人感覺模棱兩可罷了（說的專業點，置信度不一樣）。

八股是一種寫文章的格式，過去用于科舉，現在用于科研，總之，和科學有點關系的文章就得八股，鑒于我正鍛煉自己寫論文的能力，所以按照標準的格式，陳述了文本分類問題的定義之后，我要說說它的應用范圍。

現在一說到文本分類，大部分人想當然的將這個問題簡化為判斷一篇文章說的是什么，這只是文本分類的一小部分應用，我們可以稱之為“依據主題的分類”。實際上，文本分類還可以用于判斷文章的寫作風格，作者態度（積極？消極？），甚至判斷作者真偽（例如看看《紅樓夢》最后二十回到底是不是曹雪芹寫的）。總而言之，凡是與文本有關，與分類有關，不管從什么角度出發，依據的是何特征，都可以叫做文本分類。
當然，目前真正大量使用文本分類技術的，仍是依據文章主題的分類，而據此構建最多的系統，當屬搜索引擎。內里的原因當然不言自明，我只是想給大家提個醒，文本分類還不完全等同于網頁分類。網頁所包含的信息遠比含于其中的文字（文本）信息多得多，對一個網頁的分類，除了考慮文本內容的分類以外，鏈入鏈出的鏈接信息，頁面文件本身的元數據，甚至是包含此網頁的網站結構和主題，都能給分類提供莫大的幫助（比如新浪體育專欄里的網頁毫無疑問都是關于體育的），因此說文本分類實際上是網頁分類的一個子集也毫不為過。當然，純粹的文本分類系統與網頁分類也不是一點區別都沒有。文本分類有個重要前提：即只能根據文章的文字內容進行分類，而不應借助諸如文件的編碼格式，文章作者，發布日期等信息。而這些信息對網頁來說常常是可用的，有時起到的作用還很巨大！因此純粹的文本分類系統要想達到相當的分類效果，必須在本身的理論基礎和技術含量上下功夫。
除了搜索引擎，諸如數字圖書館，檔案管理等等要和海量文字信息打交道的系統，都用得上文本分類。另外，我的碩士論文也用得上（笑）。
下一章和大家侃侃與文本分類有關的具體方法概覽，有事您說話。

題記：借著開博的機會總結自己的過去，給未來開一個好頭。

兩年以前，我懷著一個特別質樸的目的來到了中科院，那就是——在這里好好的玩上三年。
實際上，在一年級和二年級的日子里，我也確實是這么做的。我跳街舞，沒事就和一幫比我年輕的丫頭小子們頗沒素質的滿地打滾兒；夜里逛酒吧，經常徹夜不歸；偶爾做點正事，那也是跑北京國際車展上給奔馳公司當當Explainer，雖然人家是給錢的，但我對自己說，我是要借此機會和外國人練習口語。
在過去兩年中僅有的一點不用來玩耍的空余時間里，我讀了一百多本書，拋開村上春樹，海巖，米蘭昆德拉這些不算，還有一大堆是好久以前便想看但一直沒時間看的書，比如《代碼大全》、《設計模式》、《Head First OOA&D》、《程序員修煉之道》、《.NET大局觀》等等。當然也少不了最愛的經管類圖書，最經典的《經濟學原理》、《貨幣，銀行與金融市場》、《長尾理論》、《組織行為學》、《性越多越安全》等等，心理學方面的《決策與判斷》、《心理學與生活》、《社會心理學》、《親密關系》等等不一而足。
讀過這些書，我越發感覺自己真不是搞計算機科學的料，無奈到目前為止這仍然是我最擅長的東西，所以一直茍延到現在。
研究生二年級的下半學期，我差點加入到清華大學互聯網信息中心申請的某863項目中，就在與主持該項目的老師面談的當天，他差點連在他們實驗室的工位都一并給我安排好了，只是后來我與自己的老師商議感覺不妥之后，才算作罷。
但免費上著中科院的學，免費住著計算所的宿舍，不能一直就這么晃蕩下去，于是最近我打算開始干點什么，好讓一年以后審我的專家們能在我的論文評審表上給個通過。
我既然是我老師的學生（好啰嗦的話），每個月拿著他給的補貼過活，自然要參加他申請的項目。也直到這時候我才想到回過頭去看看我的老師到底是何許人也。
老師是現在計算所所長，院士李國杰的同班同學，早年兩個人一起搞過人工智能和計算機象棋，后來李國杰繼續待在中科院系統中搞科研，老師則跑去給曙光搞產業化。后來老師的方向轉到了OCR（Optical Character Recognition，光學字符識別）和中文處理上，現在還管理著曙光旗下的一個公司和深圳點通數據有限公司。07年年中的時候，新申請的863項目正式審批完畢，開工上馬，包括海量的網絡資源庫，中英文雙語語料庫，雙語語音庫，基于構件的軟件構造方法等等，也匯集了在這些方面有些造詣的從劍橋歸國的老教授，北京語言大學的專家等一批人，準備把一期好好搞搞，二期要把規模翻番。
我在其中扮演一個小角色，于是選擇的余地也很大。回頭總結了一下自己玩過的東西，發現最熟悉的竟然是J2EE，然后網格也玩過，C++也寫過，還整過人臉識別和OpenGL編程。真是說不出自己擅長什么，于是便隨機的挑選了在中文處理和搜索引擎方面都有點用武之地的文本分類，也開始一頭扎進“紙”堆里（我們都把論文叫Paper，所以也是紙堆啦，哈哈），開始和各種公式打交道。那時候才知道了“讀書破萬卷，下筆如有神”這句話的含義，就是說讀過很多看也看不懂的論文以后，才能寫出那種讓別人看也看不懂的文章，好似“神”寫的天書一般。
無論如何，已經走上了這條路，就得堅持走到黑，從今天起，我的大名就叫文本分類男，小名就叫增量學習，英文名就叫SVM。我以后也就把這里當陣地，把我的那些爛透了的，一點也不新穎的，和古人有著巨大重復的想法傾倒在這里，與大家共勉（笑）。