1、在互聯網廣泛應用的影響下，特別是微信、微博、問答系統(tǒng)等新媒體的出現使得互聯網每天產生海量的短文本信息。這些短文本的長度短、內容少、用詞不規(guī)范、數據量龐大而且屬于半結構化的信息數據。把長文本的處理方法直接應用于短文本的文本挖掘中，難以取得令人滿意的文本挖掘效果。因此，如何準確、實時、高效的挖掘短文本中隱藏的信息，是目前中文信息處理與文本挖掘討論與研究的熱點。
　　短文本具有結構短、文本內容少、數量龐大、語義不明顯等特點，導致短文本的

2、分類面臨特征稀疏、噪聲多、上下文依賴強等問題?；谒阉饕娴亩涛谋痉诸惙椒ǎ诸惤Y果比較依賴搜索引擎;基于大規(guī)模語料庫的分類方法，比較依賴外部語料庫。本文在分析短文本特點的基礎上，根據目前短文本分類方法存在的缺陷，從短文本的建模矩陣特征稀疏、短文本上下文依賴性強等問題進行切入，探索根據主題判斷短文本的相似度從而實現分類。
　　首先，研究文獻資料，分析中文文本分類的理論和方法，著重分析短文本分類方法。在分析基于VSM的傳統(tǒng)短文本分類

3、方法時，發(fā)現短文本建模的特征矩陣稀疏、維度高不利于準確分類，因此設計一種基于主題相似度的分類算法。應用主題挖掘的理論和方法，采用LDA概率模型來估算短文本的主題概率分布向量。
　　其次，針對傳統(tǒng)KNN算法在分類過程中，計算量特別大，處理文本集龐大的短文本集時，計算量會更大。本文根據局部敏感哈希解決ANN問題的優(yōu)點，構建改進LSH的KNN分類器，實現從主題層面上對短文本的快速分類。
　　最后，本文從理論上敘述了構建改進LSH的