我正在尝试使用朴素贝叶斯方法来确定给定文档或词流的主题。是否有我可以参考的用于此目的的朴素贝叶斯方法？
此外，我还想在过程中改进我的词典。最初，我有一组词与主题相关联（硬编码）。根据那些已经映射的词之外的词的出现情况。我希望根据这些词的出现频率将它们添加到映射中，从而改进和学习新的词与主题的映射关系。同时，我也想改变词的概率。
我应该如何进行？我的方法正确吗？
哪种编程语言最适合实现这个功能？
回答：
朴素贝叶斯的现有实现
你可能会更好地使用现有的支持使用朴素贝叶斯进行文档分类的软件包，例如：
Python – 要使用基于Python的自然语言工具包（NLTK）来实现这一点，请查看免费提供的NLTK书籍中的文档分类部分。
Ruby – 如果你更喜欢Ruby，你可以使用Classifier宝石。这里有一个示例代码，用于检测《Family Guy》引言是否有趣或不有趣。
Perl – Perl有Algorithm::NaiveBayes模块，包中包含一个示例使用片段，参见概要。
C# – C#程序员可以使用nBayes。项目主页上有用于简单垃圾邮件/非垃圾邮件分类的示例代码。
Java – Java用户有Classifier4J。你可以在这里看到训练和评分代码片段这里。
从关键词启动分类
听起来你想从一组已知提示特定主题的关键词开始，然后使用这些关键词来启动分类器。
这是一个相当聪明的主意。看看McCallum和Nigam（1999年）的论文通过关键词、EM和收缩启动的文本分类。通过这种方法，他们能够将仅使用硬编码关键词获得的45%的分类准确率提高到使用启动的朴素贝叶斯分类器的66%。对于他们的数据，后者接近人类的同意水平，因为人们在72%的时间里对文档标签达成一致。
