随着web信息量的激增，人们需要自动的文本分类技术来实现对web信息资源的规划及利用。目前，文本分类是信息检索和数据挖掘领域的热门话题，它通过训练一定的文本集合得到类别与未知文本的映射规则，即计算出文本与类别的相关度，再采取一定的阈值策略决定文本的类别归属。不同的分类算法以及阈值策略都会对分类的结果产生一定的影响。但是，目前文本分类的研究热点主要集中在KNN、贝叶斯、支持向量机等分类算法上，人们往往忽视了分类中阈值策略的重要性。阈值的确定是文本分类中的一个重要的步骤，文献[1]提出了4种阈值策略：位置截尾法（RCut）、比例截尾法（PCut）、最优截尾法（SCut）以及改进型截尾法（RTCut），并且针对英文文本比较了上述四种阈值策略的优劣。实验结果表明：RTCut的效果最佳；PCut具有一定的复杂度，不适合在线文本处理；SCut具有一定的不稳定性；而Rcut性能最差。
与英文网页不同的是，中文网页使用汉字，词与词之间没有间隔，不像英语单词之间存在空格符，所以需要在文本分类之前对中文文本进行切词处理，并且切词的准确与否将很大程度的影响分类的效果。所以，本文采用了一个中文网页数据集，对RTCut、RCut、PCut、SCut这四种阈值策略在中文网页上的性能进行评测。
首先介绍一下文本分类中常用的阈值策略，然后依据分类器的性能，讨论一下各个策略的优劣。 数据挖掘研究院
2.1位置截尾法（RCut）
RCut方法将文本与每个类别的相似度排序，然后将文本指定给前t个类别。参数t即可以由用户指定，也可以通过预定初始值，然后给出测试文本，使用分类器进行分类，再根据分类的准确程度调整初始值。这种策略考虑到了分类器全局的性能，当t=1时，多用这种方法来将文本指定到单一类别当中[2]。
2.2比例截尾法（PCut）
PCut通过将所有测试文本与某一类别的相似度按照由高到低的顺序排序，然后将前kj个
文本确定为该类别，这里
（2）
是类别数量， 代表类别 ， 是类别 的先验概率，可以通过公式（2）计算得到。
PCut考虑到了全局的分类性能，主要以x为参数，它的值可以通过分类的准确程度来调整，这种确定方法类似于RCut中t值的确定方法。目前，一些分类器，如：贝叶斯、DTree、kNN和LLSF等方法采用了PCut阈值策略[3]。
2.3最优截尾法（SCut）
SCut针对某一类别，计算所有测试文本与该类别的相似度。根据最优化该类别分类器的性能来调整相应的阈值，然后将确定的阈值应用到新的待分类文本上。RCut和PCut阈值策略是平均所有分类器的性能，采用t或x作为参数；而SCut只优化某一类别的性能，并不保证所有类别分类结果达到最优。SCut多被用于Ripper、FOIL、Winnow、EG、kNN、LLSF和Rocchio等分类算法[4]。
2.4改进型截尾法（RTCut）
文献[1]中提出了一种新的阈值策略，即改进型截尾法，这种方法修改了RCut和SCut的不足，并将二者结合起来确定类别的阈值，使查全率和查准率达到一定的平衡。在RTCut中，需要预先确定每个类的最优截尾阈值，新的阈值通过公式（3）计算：
（3）
这里， 是待分类文本， 是RCut中类别c的排列位置， 是类别c的最优截尾阈值，而 是类别c的新阈值。
