范青武，陳 光，楊 凱

(1.北京工業(yè)大學(xué) 信息學(xué)部，北京100124；2.北京工業(yè)大學(xué) 教育部數(shù)字社區(qū)工程研究中心，北京 100124；3.北京工業(yè)大學(xué) 北京城市軌道交通重點實驗室，北京 100124)

0 引 言

通常，投訴舉報受理機構(gòu)會對舉報信息進行分類，然后根據(jù)類別進行派單，所以歸類工作是非常重要的環(huán)節(jié)，但人工進行歸類會降低工作效率、產(chǎn)生錯誤[1,2]。所以，設(shè)計準確高效的投訴舉報信息分類方法成為目前亟待解決的難題。由于文字是投訴舉報信息的主要載體，因此對其進行分類也就是對文本進行分類[3]。

在文本分類問題上，遞歸神經(jīng)網(wǎng)絡(luò)[4]雖然具有較強的學(xué)習(xí)能力，但其分類精度很大程度上依賴于樣本數(shù)量的大小和分布，而投訴舉報文本往往具有樣本數(shù)量少、樣本數(shù)量分布不均勻等特點，因此這一方法不太適用于此。樸素貝葉斯[5]的分類能力不受樣本數(shù)量的大小和分布的影響，但投訴舉報文本通常具有較多的類別特征屬性，這會使樸素貝葉斯的分類性能有所下降。針對以上問題，楊穎等[6]采用融合了Random Subspace技術(shù)的支持向量機對投訴舉報文本進行分類，得到了令人滿意的結(jié)果。Polpinij J等[7]和Shravan KB等[8]均利用支持向量機進行文本分類，從而克服了由于樣本數(shù)量少、樣本數(shù)量分布不均勻而造成的分類精度低的問題。Wang Xingkai等[9]通過大量的實驗驗證了支持向量機適用于具有較多類別特征屬性文本的分類問題。由此可見，對于投訴舉報文本分類問題，支持向量機(support vector machine，SVM)表現(xiàn)不俗?？墒牵芏鄬W(xué)者在使用SVM的時候會引入核函數(shù)，而核函數(shù)參數(shù)以及懲罰因子的大小將直接影響其分類精度，如果進行手動調(diào)試，不僅費時費力、效率低下，并且準確度不高[10]。對于支持向量機的參數(shù)整定問題，實質(zhì)上屬于一個優(yōu)化搜索過程，因此采用智能優(yōu)化算法是最佳選擇[11]。

綜上所述，本文提出一種基于改進果蠅優(yōu)化算法(improved fruit fly optimization algorithm，IFOA)的文本分類方法，該方法以支持向量機作為文本分類器，同時利用IFOA對分類器參數(shù)進行動態(tài)尋優(yōu)，進而構(gòu)建出IFOA-SVM文本分類模型。

1 果蠅優(yōu)化算法改進策略

果蠅優(yōu)化算法(fruit fly optimization algorithm，F(xiàn)OA)是潘文超受到果蠅群體覓食行為的啟發(fā)而提出的一種群體智能優(yōu)化算法[12]。FOA具有結(jié)構(gòu)簡單、計算效率高、易于實現(xiàn)等特點，但其也存在一些缺陷，如搜索半徑固定、種群多樣性低等[13]。因此，本文通過分析FOA的缺陷，針對性地提出了相應(yīng)的改進方法。

1.1 正切函數(shù)編碼法

在FOA當中，種群是由若干果蠅個體所組成的，每只個體都具有一個位置坐標。假設(shè)種群當中有4只個體，它們的位置坐標分別是(a,b)、(-a,b)、(a,-b)和(-a,-b)，將其帶入目標函數(shù)function并計算個體適應(yīng)度值fitness，方法如下

(1)

由式(1)可知，這4只個體的適應(yīng)度值大小是一樣的。如果此時該適應(yīng)度值是整個種群當中最優(yōu)的，那么這4只個體所處的位置也就都屬于最優(yōu)位置。也就是說，整個種群會朝著這4個位置當中的任意一個所處的方向飛行，從而造成位置上的欺騙性。

針對以上問題，對于果蠅個體的位置坐標X，IFOA采用一組角度向量來表示，如下

X=[θ1,θ2,…,θi]

(2)

式中：i表示變量維度，θi表示相位角。由于tan函數(shù)在[-π/4,π/4]的范圍內(nèi)是單調(diào)遞增的，并且其值域是[-1,1]，因此θi的取值范圍是[-π/4,π/4]。由此，個體的味道濃度判定值S由式(3)來表示

S=tan(X)

(3)

1.2 雙種群策略

在FOA當中，整個種群會被視為一個整體，種群當中的每只個體都會按照相同的規(guī)則進行視覺搜索，這會導(dǎo)致種群整體的搜索能力降低。若此時，目標函數(shù)全局最優(yōu)解的位置比較偏僻或最優(yōu)個體的位置不理想，那么整個種群可能都會陷入局部最優(yōu)位置，從而導(dǎo)致算法的最終尋優(yōu)結(jié)果也是局部最優(yōu)解。

針對以上問題，IFOA在每一次迭代后，會根據(jù)個體適應(yīng)度值的大小將最優(yōu)位置和最差位置進行記錄，同時計算所有個體與這兩位置間的距離，若其與最優(yōu)位置距離較近，則將其劃分為搜索能力較強的子群，否則就將其歸到搜索能力較弱的子群當中，同時針對種群的特性分別賦予其不同的搜索策略。

1.3 自適應(yīng)搜索半徑

由1.2小節(jié)已知，IFOA具有兩個小的子群。對于搜索能力較強的子群，搜索半徑應(yīng)逐步減小，繼而實現(xiàn)在全局最優(yōu)位置附近進行局部搜索、精確搜索；而針對搜索能力較差的子群，應(yīng)擴大其搜索范圍，從而增強其全局搜索能力。

綜上所述，為了實現(xiàn)搜索半徑自適應(yīng)地進行調(diào)整，對其進行如下調(diào)整

(4)

式中：gi為當前所處的代數(shù)，gmax為最大迭代次數(shù)，fitnessi為當前個體的適應(yīng)度值，fitnessi-1為上一代個體的適應(yīng)度值，Rbest為搜索能力較強的子群的搜索半徑，Rworst為搜索能力較差的子群的搜索半徑，R為初始搜索半徑，m和n均為自適應(yīng)半徑的參數(shù)，i為迭代次數(shù)。

2 IFOA-SVM文本分類方法

基于IFOA-SVM的投訴舉報文本分類方法由文本預(yù)處理、SVM分類模型構(gòu)建以及模型的參數(shù)尋優(yōu)這3個部分組成，具體步驟如圖1所示。

圖1 基于IFOA的投訴舉報文本分類步驟

2.1 文本預(yù)處理

對投訴舉報文本進行預(yù)處理的步驟由詞語切分、去除停用詞、文本表示以及特征提取組成。

首先，對于投訴舉報文本的詞語切分，本文采用python中的分詞工具包jieba。

其次，本文利用復(fù)旦大學(xué)停用詞表來去除投訴舉報文本中的停用詞。

然后，針對投訴舉報文本表示，本文采用向量空間模型(vector space model，VSM)法。VSM是由Salton等[14]于20世紀70年代末提出的，是一種簡便、高效的文本表示方法，其表達式如下

Di=D(t1,w1;t2,w2;…;tn,wn)

(5)

式中：Di為某條投訴舉報文本的空間向量，i為文本的編號，tn為投訴舉報文本當中某個詞語所對應(yīng)的子向量，wn為子向量的權(quán)重，n為子向量的標號。

此外，為了進一步突出文本的特征、降低詞向量的維度，本文采取詞頻-逆向文檔頻率(term frequency-inverse document frequency，TF-IDF)算法對文本模型進行特征提取。TF-IDF由G.Salton等提出[15]，其計算方法如式(6)所示

Pi=tfij·idfi

(6)

式中：Pi為每一個詞語的綜合頻度，tfij為某個詞語在一篇文檔中出現(xiàn)的頻率，idfi為包含某個詞語的文檔占整個文本集的比例，i為詞語的標號，j為文檔的標號。

經(jīng)過特征提取后，投訴舉報文本就被表示成經(jīng)過降維的詞向量，如式(7)所示

D’i=D’(t1,w1;t2,w2;…;tq,wq)

(7)

式中：D’i為某條投訴舉報文本所對應(yīng)的降維空間向量，i為文本的編號，tq為投訴舉報文本當中某個詞語所對應(yīng)的子向量，wq為子向量的權(quán)重，q為子向量的標號。此時，q的值小于式(5)當中n的大小。

2.2 SVM文本分類模型

SVM是學(xué)者Vapnik提出的一種機器學(xué)習(xí)方法，因其對小樣本、高維度、非線性等分類問題具有良好的學(xué)習(xí)和泛化能力而被廣泛應(yīng)用[16]。

假設(shè)一組給定的投訴舉報文本集，其所對應(yīng)的降維向量x的表達式如下

x={(x1,y1),(x2,y2),…,(xn,yn)}

(8)

式中：xn為某條投訴舉報文本所對應(yīng)的降維空間向量，yn為該條文本所對應(yīng)的類別，n為文本的編號。

SVM利用最優(yōu)超平面來區(qū)分投訴舉報文本的類別，其滿足條件如下

wT·x+b=0

(9)

式中：w為超平面的法向量，wT為法向量的轉(zhuǎn)置向量，b為偏移量。

yi·[w·xi+b]≥1,i=1,2,…,n

(10)

式中：i為子向量的標號。

因此，引入Lagrange函數(shù)，將以上問題轉(zhuǎn)化為求解對偶問題。由此，得到超平面函數(shù)l(x)，如下所示

(11)

可是，如果此時投訴舉報文本屬于線性不可分類的對象，那么線性分類器將陷入無限循環(huán)。此時，引入核函數(shù)，將輸入的詞向量映射到一個高維的Hilbert空間當中。

由于高斯徑向基函數(shù)(radial basis function，RBF)具有較強的映射能力[17]，故本文選取RBF作為SVM的核函數(shù)，如式(12)所示

(12)

式中：σ為RBF的寬度參數(shù)。

引入了RBF后，空間向量仍存在一些線性不可分的部分。因此，引入松弛變量ei，從而使約束條件轉(zhuǎn)化為下式

[w·xi+b]-1+ei≥0,i=1,2,…,n

(13)

此外，為了控制SVM的整體錯誤率，引入懲罰因子C，從而轉(zhuǎn)化為在式(13)的約束下求解下式的最小值

(14)

以上步驟是SVM構(gòu)造一個用于對兩個類別的投訴舉報文本進行分類的分類面，但投訴舉報文本的類別數(shù)目卻遠不止兩類，因此采取一對多(one-against-rest)的分類策略，即對于類別數(shù)目為n的投訴舉報文本集，構(gòu)造n個分類面。

2.3 SVM參數(shù)尋優(yōu)

通過2.2小節(jié)的論述可以得知，找到參數(shù)C與σ的最優(yōu)值是實現(xiàn)精確分類的關(guān)鍵所在。Wang Qing等[18]采用蟻群算法對SVM的參數(shù)進行動態(tài)尋優(yōu)；陳志珍[19]利用粒子群算法動態(tài)優(yōu)化SVM的參數(shù)。但以上文獻也分別指出，蟻群算法和粒子群算法容易陷入目標問題的局部最優(yōu)解。林濤等[20]利用經(jīng)過改進的FOA對SVM的參數(shù)進行動態(tài)優(yōu)化，從而提高了SVM的分類精度；王巖等[21]和Luo Shiyu等[22]也通過大量的實驗驗證了FOA在動態(tài)優(yōu)化SVM的參數(shù)方面具有較強的收斂能力。然而，以上文獻也均提到了FOA存在一定的缺陷。綜上分析，本文利用IFOA對SVM的參數(shù)進行動態(tài)尋優(yōu)。

利用IFOA對SVM參數(shù)進行動態(tài)尋優(yōu)的步驟如下：

(1)初始化IFOA的參數(shù)，包括種群規(guī)模p、最大迭代次數(shù)gmax、初始搜索半徑R、變量維度、自適應(yīng)半徑參數(shù)m和n。隨機生成每一只果蠅個體的初始相位角坐標X，由于此時需要對兩個參數(shù)進行尋優(yōu)，因此X的形式為一個p行2列的數(shù)組，如式(15)所示

(15)

式中：rand為大小在0至1之間的隨機數(shù)。

(2)計算所有果蠅個體的味道濃度判定值S，此時S的形式同樣為一個p行2列的數(shù)組，如式(16)所示

(16)

(3)將每一只果蠅個體的味道濃度判定值S當中的兩個元素分別作為C和σ，依次輸入至SVM分類模型當中，同時利用測試文本集對模型進行分類測試。此時，IFOA的目標函數(shù)是以C和σ為自變量的分類準確率函數(shù)，如下式所示

(17)

式中：P(C,σ)為輸入?yún)?shù)大小分別為C與σ的情況下的分類準確率，TP為SVM分類模型在輸入?yún)?shù)大小分別為C與σ的情況下預(yù)測結(jié)果為c類，并且實際屬于c類的文本數(shù)量；FP為SVM分類模型在輸入?yún)?shù)大小分別為C與σ的情況下預(yù)測結(jié)果為c類，但實際不屬于c類的文本數(shù)量。

(4)使用準確率函數(shù)計算出SVM分類模型的分類準確率，作為果蠅個體的適應(yīng)度值fitness，如式(18)所示。之后，挑選出整個種群當中適應(yīng)度值最大以及最小的個體，分別作為最優(yōu)個體和最差個體，記錄其位置以及適應(yīng)度值

fitness=P(C,σ)

(18)

(5)計算所有果蠅個體與最優(yōu)個體和最差個體間的距離，若其與最優(yōu)個體間的距離比最差個體間的距離近，則將其劃分為搜索能力較強的子群，否則將其劃分為搜索能力較差的子群

(19)

式中：distancebest為其它個體與最優(yōu)個體間的距離，X(best,1)與X(best,2)為最優(yōu)個體的位置，distanceworst為其它個體與最差個體間的距離，X(worst,1)與X(worst,2)為最差個體的位置。

(6)搜索能力較強和搜索能力較差的果蠅子群分別按照不同的半徑在最優(yōu)個體的指導(dǎo)下進行視覺搜索，更新位置

(20)

(21)

上面幾個式子中，Xbest(p,1)與Xbest(p,2)為搜索能力較強的子群當中個體的位置坐標，Rbest為搜索能力較強的子群的搜索半徑，Xworst(p,1)與Xworst(p,2)為搜索能力較差的子群當中個體的位置坐標，Rworst為搜索能力較差的子群的搜索半徑。

(7)計算位置更新后果蠅個體的味道濃度判定值，同樣將其中的兩個元素分別作為C和σ，依次輸入SVM分類模型當中，同時再次利用測試文本集對模型進行分類測試，計算出分類準確率，作為新的個體適應(yīng)度值。最后，記錄新的最優(yōu)和最差個體的位置及適應(yīng)度值，若該最優(yōu)個體的適應(yīng)度值小于上一代的，則最優(yōu)個體的位置以及最優(yōu)的適應(yīng)度值仍延用上一代的。

(8)進入算法的迭代過程，重復(fù)步驟(2)至步驟(7)，若達到最大迭代次數(shù)，則算法結(jié)束，輸出末代最優(yōu)個體的味道濃度判定值，分別作為最佳的C和σ。

翻轉(zhuǎn)課堂譯自“Flipped Classroom”或“Inverted Classroom”，也可譯為“顛倒課堂”，是指重新調(diào)整課堂內(nèi)外的時間，將學(xué)習(xí)的決定權(quán)從教師轉(zhuǎn)移給學(xué)生。在這種教學(xué)模式下，課堂內(nèi)的寶貴時間，學(xué)生能夠更專注于主動的基于項目的學(xué)習(xí)，共同研究解決本地化或全球化的挑戰(zhàn)以及其他現(xiàn)實世界面臨的問題，從而獲得更深層次的理解。教師不再占用課堂的時間來講授信息，這些信息需要學(xué)生在課前完成自主學(xué)習(xí)，他們可以看視頻講座、聽播客、閱讀功能增強的電子書，還能在網(wǎng)絡(luò)上與別的同學(xué)討論，能在任何時候去查閱需要的材料。教師也能有更多的時間與每個人交流。

3 實驗與分析

3.1 標準語料庫分類實驗

3.1.1 實驗方法

為了探究本文方法的分類效果，本文采用復(fù)旦大學(xué)語料庫[23]作為文本分類實驗對象，對該方法進行驗證，選取其中最具有代表性的5個類別的文本，即Space、Art、Environment、Politics和Sports，其中每個類別的文本數(shù)量均為150篇。

此外，本文還選取了果蠅優(yōu)化算法優(yōu)化支持向量機參數(shù)(FOA-SVM)、粒子群算法優(yōu)化支持向量機參數(shù)(par-ticle swarm optimization-SVM，PSO-SVM)、天牛須搜索算法[24]優(yōu)化支持向量機參數(shù)(beetle antennae search-SVM，BAS-SVM)以及其它幾種常見的未經(jīng)過參數(shù)優(yōu)化的傳統(tǒng)機器學(xué)習(xí)方法，即SVM、邏輯回歸(logistic regressive，LR)、K最近鄰(k-nearest neighbor，KNN)、樸素貝葉斯(naive Bayesian，NB)和隨機森林(random forest，RF)作為對比。其中，F(xiàn)OA與IFOA的種群規(guī)模均為20、最大迭代次數(shù)均為200、初始搜索半徑均為2，變量維度均為2，同時IFOA的自適應(yīng)半徑參數(shù)m和n分別為16與32；PSO的種群規(guī)模為20、最大迭代次數(shù)為200、學(xué)習(xí)因子均為1.5、變量維度為2、搜索范圍在0到2之間；BAS的天牛步長為1、變步長參數(shù)為0.95、常數(shù)c為5、變量維度為2。其它幾種傳統(tǒng)的機器學(xué)習(xí)方法均直接采用python軟件當中機器學(xué)習(xí)工具包的默認參數(shù)。

對于訓(xùn)練文本集和測試文本集的劃分，為了消除方法所具有的隨機性，本文采取5折交叉驗證法，將每個類別的文本平均分成5份，隨機選取4份作為訓(xùn)練文本集，1份作為測試文本集，因此每一種文本分類方法都將進行5次獨立重復(fù)實驗，最終結(jié)果以這5次實驗的平均值為準。

實驗PC機所用的操作系統(tǒng)為Windows 10，處理器為Inter(R)Core(TM)i5-5200U @ 2.2 GHz，內(nèi)存為4 GB。

3.1.2 評價指標

對于優(yōu)化算法性能的評價標準，本文采用實驗結(jié)果的平均值，也就是優(yōu)化算法最優(yōu)解的平均值。實際上，就最優(yōu)解而言，其值的大小也就是最優(yōu)參數(shù)下SVM分類模型的分類準確率。因此，目標函數(shù)優(yōu)化結(jié)果的平均值越接近1，說明SVM分類模型在最優(yōu)參數(shù)下的分類準確率越高，從而可以驗證優(yōu)化算法的尋優(yōu)精度也就越高。

對于文本分類結(jié)果的評價標準，常用的指標主要有3個，即準確率、召回率和F(F-measure)值[25]。假設(shè)TP為預(yù)測結(jié)果為c類，實際屬于c類的文本數(shù)量；FP為預(yù)測結(jié)果為c類，實際不屬于c類的文本數(shù)量；TN為預(yù)測結(jié)果不為c類，實際不屬于c類的文本數(shù)量；FN為預(yù)測結(jié)果不為c類，實際屬于c類的文本數(shù)量。

(22)

式中：P代表準確率的大小。

召回率表示整個對象集當中所含指定類別的對象占實際目標類中對象的比例(百分比)，其計算方法如下

(23)

式中：R代表召回率的大小。

F值則代表準確率與召回率的調(diào)和均值，其計算方法如下

(24)

由于準確率和召回率是文本分類精度的最直接體現(xiàn)[26]，因此本實驗采用準確率和召回率來衡量文本分類的效果。

3.1.3 實驗結(jié)果

表1為復(fù)旦大學(xué)語料庫分類實驗的優(yōu)化算法性能；表2、表3分別為復(fù)旦大學(xué)語料庫分類實驗的準確率和召回率的大小。

表1 復(fù)旦大學(xué)語料庫分類實驗優(yōu)化算法性能

表2 復(fù)旦大學(xué)語料庫分類實驗準確率/%

表3 復(fù)旦大學(xué)語料庫分類實驗召回率/%

3.1.4 結(jié)果分析

首先通過觀察表1中的數(shù)據(jù)，可以得知在4種優(yōu)化算法的最優(yōu)解平均值當中，IFOA的結(jié)果達到了0.96，相比于FOA、PSO和BAS的而言更加地接近1。由此可見，對于標準語料庫分類實驗，IFOA在動態(tài)優(yōu)化SVM參數(shù)方面具有更強的收斂能力。

其次，通過表2和表3可以直觀地看出，相比于其它的文本分類方法而言，IFOA-SVM在每個類別文本分類的準確率和召回率上均是最高的，同時其整體的分類準確率和召回率也都是最高的。因此，對于標準語料庫分類實驗，IFOA-SVM具有較強的分類能力。

3.2 投訴舉報文本分類實驗

3.2.1 數(shù)據(jù)說明

本文依托某大型環(huán)境污染投訴舉報平臺，經(jīng)過去重合并、去除無意義條目后，從中獲取了4000余條有效的投訴舉報文本，其數(shù)量分布情況見表4。之后，由經(jīng)過嚴格培訓(xùn)的專業(yè)人員根據(jù)環(huán)保部于2017年發(fā)布的污染源類型名稱表對每一條投訴舉報文本進行人工標注，同時對標注結(jié)果進行一致性檢驗。

表4 投訴舉報文本數(shù)量分布

3.2.2 實驗設(shè)計

對于投訴舉報文本的分類實驗，實驗方法、算法的參數(shù)設(shè)置、所選取的對比方法以及PC機的型號均與3.1.1小節(jié)當中所描述的完全一致。

3.2.3 評價指標

對于優(yōu)化算法性能的評價標準，本實驗仍然采用優(yōu)化算法最優(yōu)解的平均值。對于投訴舉報文本分類實驗的評價標準，本實驗則同樣采用文本分類結(jié)果的準確率和召回率。

3.2.4 實驗結(jié)果

表5為投訴舉報文本分類實驗的優(yōu)化算法性能；表6、表7分別為投訴舉報文本分類實驗的準確率和召回率。

表5 投訴舉報文本分類實驗優(yōu)化算法性能

表6 投訴舉報文本分類實驗準確率/%

表7 投訴舉報文本分類實驗召回率/%

3.2.5 結(jié)果分析

首先，從表5當中可以得知，在4種優(yōu)化算法的最優(yōu)解平均值當中，IFOA的結(jié)果達到了0.91，相比較于其它3種優(yōu)化算法而言更加地接近1，由此驗證了對于投訴舉報文本分類實驗，IFOA在優(yōu)化SVM參數(shù)方面同樣具有較強的收斂能力。

其次，通過表6和表7我們可以清晰地觀察到，相比于其它的文本分類方法，IFOA-SVM除了在畜牧業(yè)和污水處理業(yè)這兩類投訴舉報文本的分類準確率和召回率上略微遜色以外，在其它類別文本上的分類結(jié)果均是最好的，同時其整體的分類準確率和召回率也都是最高的。其中，針對燃料制造業(yè)、醫(yī)藥制造業(yè)、食品制造業(yè)和服裝制造業(yè)這4類極難正確分類的投訴舉報文本，其它幾種分類方法的準確率和召回率都很低，有的甚至只有10%，可以說另外那90%的文本都歸到了錯誤的類別，而IFOA-SVM的卻全都超過了75%，有非常顯著的提高。

實際上，通過表4當中的數(shù)據(jù)可以得知，對于燃料制造業(yè)、醫(yī)藥制造業(yè)、食品制造業(yè)和服裝制造業(yè)這4類投訴舉報文本，它們的樣本數(shù)量相比與其它類別的文本而言普遍很少，所以在對其進行分類的時候非常容易把它們錯誤地歸到樣本數(shù)量多的類別當中，而IFOA-SVM卻依然能保持一定的分類準確率和召回率。

綜上，對于投訴舉報文本分類實驗，IFOA-SVM不僅僅具有較高的分類準確率和召回率，其適應(yīng)性與泛化能力也極強。

4 結(jié)束語

投訴舉報文本具有長度短、類別特征不明顯、樣本數(shù)量少且分布不均衡等特點。因此，利用傳統(tǒng)的機器學(xué)習(xí)方法對其進行分類會產(chǎn)生精度低等問題。由此，本文提出了一種基于IFOA-SVM的文本分類方法，即利用IFOA來對SVM的參數(shù)進行動態(tài)尋優(yōu)，以此來提高SVM的分類精度。

文本分類實驗結(jié)果表明，IFOA的尋優(yōu)能力相比于FOA而言的確有所提高，并且IFOA-SVM方法相比于其它幾種常見的文本分類方法而言具有更高的分類準確率和召回率，可以滿足實際需求，適用于投訴舉報文本分類這一問題。

對于投訴舉報文本分類問題，文本的預(yù)處理對于其分類精度也是至關(guān)重要的。因此，本文的下一步工作將聚焦于文本的預(yù)處理方法，通過對方法的改進來進一步提高文本分類的精度。