不平衡数据的分类问题一直以来都是研究的热点,一般有两种研究方式,数据层面的研究和算法层面的研究。许多领域的不平衡数据都含有文本属性,如经济、医疗、工业等领域。现阶段,对于含有文本型不平衡数据的研究,一般采用简单的数字编码或者One-Hot编码,这些不能很好地反映出不同特征之间的差别,导致分类效果存在一定的偏差。因此,为了更好地处理含文本属性的混合数据集的分类问题,将文本挖掘工具Word2vec方法与不平衡数据的欠抽样相结合,对含有文本属性的混合样本数据进行相似性探索。具体内容如下:1.对数据进行清洗,分离不平衡数据中的文本数据与向量数据。为了更好地反映出文本数据之间的相关性,利用Word2vec方法中的跳字节模型,将不平衡数据中的文本数据转化为向量数据。对原向量数据进行归一化处理,并和转化后的文本数据进行组合。2.对组合后的不平衡数据,利用向量空间模型中的余弦相似度、欧氏距离、曼哈顿距离和切比雪夫距离来寻求多数类样本的最优相似度,并进行欠抽样,使其成为相对平衡的数据集。3.利用Logistic回归模型分析欠抽样效果,对比模型准确度,通过不同的数据集进行实证分析。研究结果表明,通过Word2vec方法中的跳字节模型将文本数据转化为向量数据,利用余弦相似度、欧氏距离和曼哈顿距离进行欠抽样,得到的模型分类准确率随类别比例的升高而不断下降;利用切比雪夫距离进行欠抽样,得到的模型分类准确率在不同类别比例下变化幅度不大。说明本方法对类别比例较低的含有文本属性的不平衡数据有较好的应用效果。图9幅;表39个;参55篇。