1.基于归一化词频权重的特征选择方法,其特征在于,具体按照以下步骤实施:步骤1、选取拥有不同文档数量、类别数量以及包含不同特征词个数的文本类型数据集,对数据集进行预处理并划分出训练集和测试集;步骤2、设置最终选择出的特征子集的元素个数为C,首先使用特征排序函数计算训练集中所有出现的特征词的得分,根据得分情况对特征词进行降序排列,选择排名为前C的特征词作为最优特征子集的元素,根据最优特征子集分别对训练集和测试集数据进行降维处理;步骤3、利用步骤2得到的训练集分别对朴素贝叶斯分类器和支持向量机分类器进行训练,使用训练出的分类模型对经步骤2处理后的测试集文档的类别进行预测,完成分类操作;步骤4、利用Macro‑F1和Micro‑F1评估指标对分类器的分类效果进行评估。2.根据权利要求1所述的基于归一化词频权重的特征选择方法,其特征在于,所述步骤1中预处理为剪枝处理,具体为,将数据集中出现的文档数多于总数的25%或少于3篇的特征词删除;划分数据集采用十折交叉验证法。3.根据权利要求1所述的基于归一化词频权重的特征选择方法,其特征在于,所述步骤2具体按照以下步骤实施:步骤2.1、计算训练集数据特征词的加权真正率wtpr以及加权假正率wfpr;步骤2 .2、计算训练集数据特征词的反正切归一化因子atanfac以及正类影响因子poski;步骤2.3、计算特征词ti的全局得分NTWFS(ti),得到带有权值的特征词集合;步骤2.4、根据每个特征词的全局得分对训练集的所有特征进行降序排序,选择排名为前C的特征词构成最优特征子集;步骤2 .5、根据步骤2 .4得到的最优特征子集分别对训练集文档和测试集文档进行处理,完成对训练集和测试集数据的降维操作。4.根据权利要求3所述的基于归一化词频权重的特征选择方法,其特征在于,所述步骤2.1具体按照以下步骤实施:步骤2.1.1、使用对率函数将特征词ti在文档dj中出现的频率tfij进行归一化处理,得到归一化词频权重Logistic(tfij),如公式1所示,其中,tfij表示特征词ti在文档dj中出现的次数;步骤2.1.2、根据公式2和3计算特征词ti在Ck类中的加权真正率wtpr,其中,N为数据集的文档总数,Nk为类Ck中的文档总数,k表示类别序号,Ipos(dj,Ck)用来判断文档dj是否属于类Ck,当文档dj属于类Ck时Ipos(dj,Ck)为1,反之为0;步骤2.1.3、根据公式4和5计算特征词ti在类中的加权假正率wfpr,其中,用来判断文档d j是否属于非C k 类,当文档d j 属于非C k 类时
7.根据权利要求3所述的基于归一化词频权重的特征选择方法,其特征在于,所述步骤2 .5中对训练集文档和测试集文档进行处理,具体为,删去最优特征子集中不包含的特征词,保留最优特征子集中存在的特征词。