| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景 | 第9页 |
| ·研究意义 | 第9-10页 |
| ·信息检索 | 第9-10页 |
| ·信息过滤 | 第10页 |
| ·数字图书馆 | 第10页 |
| ·基于机器学习的知识发现技术在文本分类中的应用 | 第10-11页 |
| ·文本分类技术流程 | 第11-12页 |
| ·研究现状 | 第12-14页 |
| ·本文研究内容 | 第14-15页 |
| 第二章 文本分类技术[2-27] | 第15-27页 |
| ·文本分类任务 | 第15页 |
| ·文本表示模型 | 第15-16页 |
| ·文本预处理 | 第16页 |
| ·特征选择和特征抽取 | 第16-20页 |
| ·文档频率（Document Frequency，DF） | 第16-17页 |
| ·信息增益（Information Gain） | 第17页 |
| ·期望交叉熵（Expected Cross Entropy，ECE） | 第17页 |
| ·互信息（Mutual Information） | 第17页 |
| ·CHI 统计量 | 第17-18页 |
| ·GSS 系数 | 第18页 |
| ·NGL 系数 | 第18-19页 |
| ·几率比（Odds Ratio） | 第19-20页 |
| ·分类方法 | 第20-24页 |
| ·决策树（Decision Trees） | 第20页 |
| ·KNN 算法（K-Nearest Neighbor） | 第20-21页 |
| ·朴素贝叶斯（Na ve Bayes）分类 | 第21页 |
| ·人工神经网络（Artificial Neural Network, ANN） | 第21-22页 |
| ·支持向量机（SVM） | 第22-23页 |
| ·粗糙集 | 第23-24页 |
| ·分类性能评估 | 第24-27页 |
| ·查全率和查准率 | 第24-25页 |
| ·宏平均和微平均 | 第25-27页 |
| 第三章 基于分布距离的特征聚类方法 | 第27-35页 |
| ·引言 | 第27页 |
| ·文本特征降维 | 第27-28页 |
| ·降维对分类的影响 | 第27页 |
| ·特征选择 | 第27-28页 |
| ·特征抽取 | 第28页 |
| ·基于分布距离的特征聚类 | 第28-30页 |
| ·特征聚类 | 第28页 |
| ·特征分布距离 | 第28-30页 |
| ·聚类步骤 | 第30页 |
| ·实验结果及分析 | 第30-33页 |
| ·结论 | 第33-35页 |
| 第四章 粒度计算的粗糙集理论模型[34-47] | 第35-43页 |
| ·粒度计算概述 | 第35-36页 |
| ·粗糙集基本理论 | 第36-39页 |
| ·信息表和不可分辨关系 | 第36-37页 |
| ·上下近似关系 | 第37页 |
| ·属性依赖 | 第37-38页 |
| ·属性约简 | 第38-39页 |
| ·决策规则及其测度 | 第39页 |
| ·规则匹配及规则冲突解决[24] | 第39-40页 |
| ·约简算法 | 第40-43页 |
| ·基于可分辨矩阵的属性约简算法[28] | 第41-42页 |
| ·基于属性重要性的属性约简算法 | 第42-43页 |
| 第五章 基于粒度计算的文本分类方法研究[25-30] | 第43-55页 |
| ·基于粒度计算的文本分类方法流程 | 第43页 |
| ·训练集粒化分解 | 第43-44页 |
| ·构造粒度决策表 | 第44页 |
| ·文本粒度属性约简 | 第44-48页 |
| ·构建协同矩阵 | 第44-45页 |
| ·最相似样本 | 第45-46页 |
| ·启发式搜索最相似样本 | 第46-48页 |
| ·规则不一致解决方法 | 第48页 |
| ·分类算法描述 | 第48-49页 |
| ·信息粒度规则获取 | 第48-49页 |
| ·信息粒度属性约简 | 第49页 |
| ·实验结果及分析 | 第49-54页 |
| ·训练 | 第49-53页 |
| ·测试 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 总结与展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 个人简介 | 第60页 |
