文本分类在文本挖掘和信息检索系统中发挥着重要的作用。这种技术可以改善检索性能、提供导航/浏览机制、发现相似文本等。因此,文本分类已成为一种处理和研究文本的重要技术。目前,基于统计和机器学习的文本分类算法已经比较成熟,但可以考虑通过某种方式引入其他方法来改进分类效果,比如下面所提的统计方法。分类算法除了在文本挖掘和信息检索系统中发挥着重要的作用外,还可以考虑在电子商务个性化推荐系统中的应用。针对上述二方面,本人做了以下工作:第一:提出了基于K-means的二阶段多类SVM分类方法。该方法分为二个阶段,第一阶段采用K-means聚类,在聚类结束以后,抽样调查每个小类的分类精准度,完全分对的类可以不必进行第二步的分类,从而降低了已经聚类正确的实例再次分类的风险;第二阶段采用LIBSVM来进行分类。本文在理论论证后,使用中英文语料,通过实验证实该方法切实可行,相较于直接使用LIBSVM进行分类,分类准确度分别提高了9.35%和1.5%。第二:用户个性化推荐是电子商务领域中的研究热点与核心技术,近年来得到了广泛的关注和快速的发展,本文将分类技术引入推荐系统。文中提出了基于分类的用户多兴趣个性化推荐方法。该方法分为二个模块,第一模块是长期兴趣模块(LIM),针对用户多兴趣的特征,通过分类来提高推荐准确度;第二是短期兴趣模块(SIM),针对用户短期兴趣的专注性,引入WEB日志上下文分析的方法。最后,本文分别对LIM和SIM进行了实验证实,证实该方法切实可行,相较于传统方法,推荐准确度及用户满意度都得到了较好提升。