用python编写程序：按组讨论文本识别处理的方法。NLTK语料库电影评论数据集movie_reviews的电影评论有“正面”和“负面”两种。使用电影评论数据集数据进行文本识别。选择一部分样本作为训练集，另一部分样本作为测试集。从数据中选取出现频率较高的词汇作为特征，训练分类器模型并用测试集数据测试识别效果。

好的，我很乐意回答你的问题。首先，为了进行文本识别处理，我们需要将文本数据转化为可以被计算机理解的形式。通常情况下，我们使用自然语言处理（NLP）技术来完成这项工作。Python中常用的NLP库是Natural Language Toolkit（NLTK）。下面是一些处理文本数据的方法：

1. 分词：将文本分割成单个的单词或标点符号。
2. 去除停用词：去除一些没有实际含义的单词，如“a”、“an”、“the”等。
3. 词形还原：将单词还原为其词干形式。
4. 词性标注：标注每个单词的词性，如名词、动词等。
5. 特征提取：将文本转化为可以被分类器识别的特征向量。

针对这个问题，我们可以使用NLTK库中的movie_reviews数据集。该数据集包含了1000条带有“正面”和“负面”标签的电影评论。我们可以将这些评论分为训练集和测试集，然后使用特征提取方法，提取出现频率较高的词汇作为特征，训练分类器模型并测试识别效果。

下面是一个简单的代码示例，使用朴素贝叶斯分类器进行文本分类：

import nltk
from nltk.corpus import movie_reviews
import random

# 分别获取正面和负面评论
pos_reviews = [(list(movie_reviews.words(fileid)), 'pos')
               for fileid in movie_reviews.fileids('pos')]
neg_reviews = [(list(movie_reviews.words(fileid)), 'neg')
               for fileid in movie_reviews.fileids('neg')]

# 将数据集随机分为训练集和测试集
random.shuffle(pos_reviews)
random.shuffle(neg_reviews)
train_data = pos_reviews[:800] + neg_reviews[:800]
test_data = pos_reviews[800:] + neg_reviews[800:]

# 特征提取器，使用出现频率最高的2000个单词作为特征
all_words = nltk.FreqDist(w.lower() for w in movie_reviews.words())
word_features = list(all_words)[:2000]
def document_features(document):
    document_words = set(document)
    features = {}
    for word in word_features:
        features['contains({})'.format(word)] = (word in document_words)
    return features

# 训练分类器
train_featureset = [(document_features(d), c) for (d, c) in train_data]
classifier = nltk.NaiveBayesClassifier.train(train_featureset)

# 测试分类器
test_featureset = [(document_features(d), c) for (d, c) in test_data]
print('Accuracy:', nltk.classify.accuracy(classifier, test_featureset))

这段代码首先将正面和负面评论分别读入，并且将数据集随机分为训练集和测试集。然后，我们定义了一个特征提取器，使用出现频率最高的2000个单词作为特征。最后，使用训练集来训练朴素贝叶斯分类器，并使用测试集来测试分类器的准确率。

需要注意的是，该代码仅仅是一个简单的示例，实际情况下，要根据具体的需求进行适当的修改。