随着互联网的发展,人们既感到信息资源十分丰富,又感觉想找到所需的信息相对较难.原因之一是现有的信息系统还没有能够对信息资源进行有效的组织管理,内容管理是解决此问题的重要途径之一,而文本分类则是所有基于内容的文本信息管理的基础.文本分类是指按照预先定义的主题类别,对文档集合中的每个文档进行归类.这样,用户不但能够方便地浏览文档,而且可以通过限制搜索范围来使文档的查找更为容易.利用文本分类技术可以对大量文档进行快速、有效地自动分类,它在语料库处理、新闻分类、搜索引擎以及信息检索等信息管理任务中起着核心的作用.该文详细阐述了潜在语义分析的基本原理和局部特征空间的提取问题,提出了基于潜在语义和局部特征空间的文本分类方法,并将它应用于中文文本分类中.潜在语义分析LSA(Latent Semantic Analysis)是一种用于自动地实现知识提取和表示的理论和方法,它通过对大量的文本集进行统计分析,从中提取出词语的上下文使用含义.在技术上,它同向量空间模型类似,都是采用空间向量表示文本,但通过奇异值分解SVD(Singular-Value Decomposition)等处理,消除了同义词、多义词的影响.现有的基于潜在语义分析的文本分类算法都是提取一个全局的标引词集合,然后将文本表示成语义空间中的一个向量.由于全局标引词集合包含较多的噪音和冗余标引词,这些将极大地干扰分类算法的计算,而且过高的维度也会增加分类算法的复杂度,因此,该文提出了改进算法,在对文本进行分类时为每个类别提取一个局部语义空间.因为在局部语义空间中许多概念都变得更加明确,可以预测,多个局部语义空间能够比单个全局语义空间更好地表示分类信息从而提高分类算法的精度和效率.