该文主要描述了五方面的工作.首先是在已有关键词表和大量训练集的基础上,应用词频统计的方法对关键词计算适当的权值,并在此基础上进行属性提取和使用借鉴VSM(向量空间模型)的思想对文档进行分类.其次,将上述方法加以推广,用正则表达式表示的特征模式代替关键词刻画属性特征,从而有可能得到更精确的结果.再次,探讨取消对于人工关键词表依赖性的方法,并描述了一个从训练文集中自动提取双字关键词的快速算法.第四,将关键词自动生成算法推广到任意长度的无重字关键词和简单正则表达式.最后,由于该类算法在Internet上具有重要应用价值,因此特别针对HTML页面探讨了一个利用其半结构化特点而设计的优化方法,并且考虑了其他基于启发式规则的优化方法.这些工作在吸取前人的经验的基础上在以下方面有自己的特色;一、尝试从信息提取的角度求解分类问题;二、设计了一个快速易用的关键词匹配和统计计算法;三、用简单的算法通过对训练文本的单遍扫描提取并构造有效关键字词典;四、证明了单链正则表达式在特征检测问题域中有较强表征能力,并在此基础上设计了一个特征集自动构造算法;五、探讨了一种利用HTML文档的结构化信息帮助信息提取的方法,并尝试了其他的启发式优化规则.用该TextCategorizingAndTargetingEngine),在典型应用环境中其最佳情况下召回率达到99.9﹪,准确率达到99.2﹪.