1.一种隐多项式朴素贝叶斯文本分类方法，包括训练阶段和利用训练阶段训练得到的模型进行分类的分类阶段，其特征在于，训练阶段包含如下步骤：(1-1)利用以下公式计算训练文档集D中每个类别c的先验概率p(c)：其中，训练文档集D为一个已知的文档集，训练文档集D中的任意一篇文档d表示为单词向量形式d＝＜w1,w2,...wm＞，其中wi为文档d中的第i个单词，m为训练文档集D中所有单词的数目；n是训练文档集D中的文档数目，s是文档的类别数目，cj是第j篇文档的类标记，δ(cj,c)表示一个二元函数，当它的两个参数相同时值为1否则为0；

(1-2)利用以下公式计算给定类别情况下每个单词的条件概率p(wi|c)：其中，fji表示训练文档集D中第j篇文档中出现单词wi的频率；

(1-3)利用以下公式计算训练文档集D中每个单词wt的信息增益率：其中，GainRatio(D,wt)表示单词wt划分训练文档集D的信息增益率，Gain(D,wt)表示单词wt划分训练文档集D的信息增益，SplitInfo(D,wt)表示训练文档集D关于单词wt的分裂信息；

(1-4)利用以下公式计算训练文档集D中的所有单词的平均信息增益率：(1-5)利用以下公式计算训练文档集D中每个单词wt的权值Wt，模型训练完毕：

2.根据权利要求1所述的隐多项式朴素贝叶斯文本分类方法，其特征在于，步骤(1-3)中：Gain(D,wt)通过以下公式计算：

其中，|Dv|是训练文档集D中单词wt的取值为v的文档数目， v＝0表示没有出现单词wt， 表示出现单词wt，|D|＝n；Entropy(D)是训练文档集D的熵，通过以下公式计算：其中，C是类标记的集合，c是C中的一个类标记，pc是训练文档集D中类别为c的概率；pc通过以下公式计算得到：其中，n是训练文档集D中的文档数目，cj是第j篇文档的类标记，δ(cj,c)表示一个二元函数，当它的两个参数相同时值为1否则为0；

SplitInfo(D,wt)通过以下公式计算得到：

3.根据权利要求1所述的隐多项式朴素贝叶斯文本分类方法，其特征在于，分类阶段包含如下步骤：(2-1)对于待分类文档d中出现的每个单词wi，i＝1,2,…m，以及待分类文档d中除单词wi以外的每一个单词wt，t＝1,2,…,m∧t≠i，在训练文档中D中选择出现单词wt的文档组成新的文档子集Dwt；其中，三角符号∧表示并且；

(2-2)对于每一个可能的类标记c，基于文档子集Dwt，利用以下公式计算条件概率p(wi|wt,c)：其中，n是训练文档集D中的文档数目，m为训练文档集D中单词的数目，fjt表示训练文档集D中第j篇文档中出现单词wt的频率，fjt>0表示单词wt出现在第j篇文档中，fji表示训练文档集D中第j篇文档中出现单词wi的频率，δ(cj,c)表示一个二元函数，当它的两个参数相同时值为1否则为0；

(2-3)利用以下公式计算p(wi|whi,c)

其中，ft是待分类文档d中第t个单词的频率；

(2-4)基于已经计算好的p(c)和p(wi|whi,c)，利用以下公式来预测待分类文档d的类标记c(d)：其中，fi是待分类文档d中第i个单词的频率。

4.一种隐多项式朴素贝叶斯文本分类装置，其特征在于，具备计算机存储介质，所述计算机存储介质内存储有计算机可执行指令，所述计算机可执行指令用于实现如权利要求1-

3任一项所述的隐多项式朴素贝叶斯文本分类方法。