核心要点
理解条件独立假设与贝叶斯公式
区分 Multinomial NB（词频）与 Bernoulli NB（是否出现）
能说明拉普拉斯平滑的作用
举出垃圾邮件、文本分类等经典应用
简要回答
朴素贝叶斯用贝叶斯定理 + 特征条件独立假设做文本分类：用训练集估计 $P(c|w_1...w_n) \propto P(c)\prod P(w_i|c)$。Multinomial NB 配合词频/TF-IDF 广泛用于垃圾邮件过滤与短文本分类，小数据上极快且稳健。
标准回答
核心思想：给定文档词序列，选使后验概率最大的类别 $c^* = \arg\max_c P(c)\prod_i P(w_i|c)$。
朴素假设：给定类别，各词出现相互独立——显然不成立，但实践中常有效（「依赖地狱」反而帮助泛化）。
常见变体
- Multinomial NB：适合词频/TF 计数（新闻分类）
- Bernoulli NB：二值特征（词是否出现，短文本）
- Gaussian NB：连续特征（较少用于纯文本）
训练：统计各类别词频，拉普拉斯平滑处理未见词，避免零概率。
NLP 应用
- 垃圾邮件检测（经典 baseline）
- 情感/主题粗分类
- 语言识别、作者归属
优缺点
- ✅ 训练推断极快、小样本友好、可解释（看 log 似然贡献最大的词）
- ❌ 独立性假设限制语义建模；对长文档词序不敏感
常见误区
⚠️ 常见踩坑
写错公式或忘记平滑；把 Multinomial 与 Bernoulli 混用场景；不说独立性假设的局限。
追问
追问 1：为什么「朴素」假设反而有效？
分类只需比较后验相对大小，不必精确估计概率；错误的相关性在各类间可能部分抵消。高维稀疏下全协方差矩阵难估计，独立性简化了参数学习。
追问 2：TF-IDF 和词频哪个配 NB 更好？
Multinomial NB 理论上配合原始词频（多项分布）；实践中 TF-IDF + 离散化或直接用词频都常见。Bernoulli 用二值化词出现特征。
追问 3：如何处理否定词（如 not good）？
词袋下「not」和「good」被拆成独立特征，丢了「不」的作用。常用补救：加 bigram 让「not_good」成一个特征；做否定范围标记，把否定词到下个标点间的词加 NEG_ 前缀（NEG_good）；或保留否定词不当停用词去掉。这是 NB 条件独立假设的固有短板，深度模型才能较好建模。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
📰 AI 资讯
🛠️ AI 工具
- spaCy
工业级 Python NLP 库，33K+ stars。提供高效的文本分词、命名实体识别、依存句法分析等能力，内置预训练模型支持 70+ 语言，是生产环境 NLP 任务的标准选择