概述
本文采用的是词集模型。
词集模型：将每个单词出现与否作为一个特征，即忽略了单词出现的次数，从而将句子转化为单词向量后，该向量中只有0和1；对应的是词袋模型，将考虑单词出现的次数，从而得到的单词向量，除了0和1还有大于1的整数。
相关概念：
文档：是训练集合，包含了多个句子
句子：对应一个词向量，向量的长度与词汇表的长度相同，元素为1代表对应位置词汇表中的单词出现，否则不出现
单词（词条）：句子中的一个词，对应词向量中的一个元素
词汇表：包含了文档中所有可能出现的单词，但不重复。
从训练文本中计算条件概率p(x|c)和先验概率p(c)
说明：c即文本分类的取值，如正常邮件和垃圾邮件；x即某个单词
1、利用文档构建词汇表，假设长度为n，n即文档不重复单词的个数
如下文档（假设每行为一个句子的单词的切分），构成的词汇表为【one, two, three, four,five, six,seven】
上面假设了每个句子一样长，实际上不一定相同，但并不影响这个理解过程
2、根据构建的词汇表将文档转化为训练矩阵m*n，其中m为句子的个数，n为词向量的长度
上述文档转化后的词向量为：
1 1 1 1 00 0
0 1 1 1 10 0
0 0 1 1 11 0
0 0 0 1 11 1
3、计算概率（假设为二分类）
如下为标量：
p(c=0)=0.5 label为0的句子的个数/句子的总数m
p(c=1)=0.5 label为1的句子的个数/句子的总数m
p(wi|c=0)词向量中第i个单词在Label=0的句子中出现的概率：从训练矩阵中将Label=0的行向量都取 出来，将所有行的第i列加起来作为分子，将所有元素都加起来（其实就是一堆1相加）作为分母，相除可得
p(one|c=0)=1/8p(two|c=0)=1/4 p(three|c=0)=1/4p(four|c=0)=1/4 p(five|c=0)=1/8p(six|c=0)=0 p(seven|c=0)=0
p(wi|c=1)词向量中第i个单词在Label=1的句子中出现的概率：从训练矩阵中将Label=1的行向量都取出来，将所有行的第i列加起来作为分子，将所有元素都加起来（其实就是一堆1相加）作为分母，相除可得
p(one|c=1)=0p(two|c=1)=0 p(three|c=1)=1/8p(four|c=1)=1/4 p(five|c=1)=1/4p(six|c=1)=1/4 p(seven|c=1)=1/8
如下为向量：
p0V=【p(w1|c=0),p(w2|c=0),p(w3|c=0),…,p(wn|c=0)】=[1/8 1/4 1/41/4 1/8 0 0 ]
P1V=【p(w1|c=1),p(w2|c=1),p(w3|c=1),…,p(wn|c=1)】=[0 0 1/81/4 1/4 1/41/8 ]
对一个句子进行分类
先将该句子转化为词向量V
该句子为0类的概率：Sum（V.dot(p0V)），即将V中每个元素与p0V中对应的每个元素相乘并求和
该句子为1类的概率：Sum（V.dot(p1V)），即将V中每个元素与p1V中对应的每个元素相乘并求和
比较两个概率值，哪个大则属于哪一类
假设有如下句子[one five tree two seven]，转换为句子向量为[11 1 0 1 0 1]
(说明：这个模型是不考虑单词之间的关系的以及先后顺序的)
P（c=0）=1/8*1+1/4*1+1/4*1*1/4*0+1/8*1+0*0+1*0=6/8
P(c=1) = 0 *1+ 0*1+ 1/8*1+1/4*0 + 1/4*1+ 1/4*0+1/8*1=4/8
所以该句子为0类
