以下为blog主人的回复：

你可以参考一下韩家炜、孟小峰在《计算机研究与发展》上发表的“Web挖掘研究”一文，人大的孟小峰老师在这方面的研究较多。

另外，有篇博士论文也不错，上海交通大学的张岭博士的“智能信息检索中的Web挖掘研究”（http://zhling.googlepages.com/Zhang_Ling_Ph.D._Dissertation_2002.pdf）。如果我记得没错的话，原来我在清华大学申请研究基金时还和张岭博士聊过，不知道他现在怎么样了。

以下为blog主人的回复：

Weka是开源项目，你可以查找它的项目网址，并展开分析研究。在blog左下角的链接中有Weka中文论坛链接。

以下为blog主人的回复：

这个依赖于训练时所建立的分类关键词的维度空间大小。例如，假设我们建立了10个分类（IT、体育、经济、政治、娱乐等等），用于区分这10个分类的特征关键词共有1000个，则向量空间的维度就是1000。

对新文档的分类，只会在这1000个关键词所组成的向量空间中与这10个分类进行比较，计算距离，并将新文档分配到距离新文档最近的类别。因此，对于新文档来说，不在这1000个关键词列表之内的其它词将会被忽略。

以下为blog主人的回复：

文本分类常用的算法大多是用向量空间模型来表示文档，并计算出文档之间的相似度（距离）。每篇文档是用特征向量来表示，即关键词组成的向量，每个关键词作为一个维度，该维度相应的数值则是常用TFIDF来计算得出。

TF是Term Frequency（词频），IDF是Inverted Document Frequency（文档频率的倒数），每个关键词对应的权重就是TFxIDF。

你问的情况是当分类模型已经训练完成之后，如何判别一篇新文档应该归属到哪个分类的问题。对于新文档来说，其中每个关键词的词频（TF）可以统计得出，而IDF是如何计算的呢？因为只有一篇文档，是不是IDF就是1呢？

当然不是，否则IDF就完全失去了意义。其实在分类训练时会生成一张关键词表，每个关键词及其DF都被记录到这张关键词表中了，因此在对新文档分类时，直接读取这张关键词表，就可以查到对应的IDF了。