1.一种基于分类器的中文文本分类方法，其特征在于，包括测试集文本D和训练集的文本类别集合C，将测试集文本D通过文本分类方法映射到训练集的文本类别集合C；其中D＝{d1,d2,L,dm}，其中C＝{c1,c2,L,cn}，m为文本数，n为文本类别数，具体处理步骤如下：

101)文本预处理步骤：将训练集的文本进行文本标记处理、分词、去除停用词，将处理后的文本通过统计做特征选择，进行特征降维得到训练集的文本类别集合C；训练集的文本类别集合C从中，从统计排序由大到小选取一定数量的特征项；

102)分类器步骤：将步骤101)处理后的数据由文本分类器处理，具体公式如下：公式(3)中分母P(x1,x2,L,xn)是常量，因此只需获得公式(3)中分子P(Ci)P(x1,x2,…,xn|Ci)的值，就能判定不同j值时，不同P(Ci|Dj)值间的大小关系；因此公式(3)则最终可表示为：当某一特征项出现在该文本中，就置权重为1，若未出现就置权重为0，测试文本作为事件，并且该事件为n重事件即在同样的条件下重复地、相互独立地进行的一种随机事件；用Bxt代表测试文档含有文本特征项t，则得到如下公式：在属于类Ci的情况下xj发生的概率用P(xj|Ci)表示，若特征项出现在测试文本中，则只需得到P(xj|Ci)，否则需得到1-P(xj|Ci)；

条件概率1-P(xj|Ci)的公式为：

在训练集中，若类别Ci中的所有文本都不含有特征项xj，则nij是0，从而P(xj|Ci)的值是

0，故需要采用加入平滑因子的方法，得如下公式：

103)测试与评价步骤：评估分类器的准确率、召回率、F1值、宏平均，调整训练集的文本类别集合C；

104)调整步骤：根据步骤103)的测评结果，调整选择的特征项，进行再次测试评估，直到达到预设效果。

2.根据权利要求1所述的一种基于分类器的中文文本分类方法，其特征在于：文本标记处理为用正则表达式去除文中的中文符号、数字和英文，去除中文符号的正则表达式可表示为：[^\\u4e00-\\u9fa5\\w]，去除数字和英文的正则表达式为：[a-zA-Z\\d]，并用空格代替。

3.根据权利要求1所述的一种基于分类器的中文文本分类方法，其特征在于：采用MMSEG4J分词工具包进行分词；停用词为文本中出现多次并且与文本内容无关的词，将停用词整理到停用词表中，并在分词结束后将其删除。

4.根据权利要求1所述的一种基于分类器的中文文本分类方法，其特征在于：准确率，也称查准率，获取测试集中有多少文本的分类结果是正确的，体现分类器分类的准确程度，记为P，具体公式如下：属于类别Ci且包含特征项t的文本数集A，即正确分类到Ci类的文本数；不属于类别Ci但包含特征项t的文本数集B，A+B即实际分类到Ci类的文本总数；

召回率，也称查全率，获取测试集中在类别Ci中的文本，可以被正确分类到类别Ci所占有的比重，展现出分类器分类的完备性，记为R，具体公式如下：属于类别Ci但不包含特征项t的文本数集C，A+C即所有应归为Ci类的文本；

F1值，也称综合分类率，是准确率P和召回率R的综合评估指标，具体公式如下：宏平均是对分类器的整体分类效果的评价，准确率和召回率的算术平均数就是宏平均，具体公式如下：其中，MacAvg_Precision表示准确率的宏平均，MacAvg_Recall表示召回率的宏平均，|C|表示训练集中包含的文本类别数，Pi表示类别Ci的准确率，Ri表示类别Ci的召回率。