面向微博文本的分类技术应用研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 符号说明 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 微博文本分类研究现状 | 第13-15页 |
| 1.3 研究内容和挑战 | 第15-16页 |
| 1.4 本论文的创新点 | 第16页 |
| 1.5 本论文章节组织结构 | 第16-18页 |
| 第二章 文本分类过程概述 | 第18-24页 |
| 2.1 文本分类的一般过程 | 第18-19页 |
| 2.2 文本预处理 | 第19页 |
| 2.3 文本表示 | 第19-20页 |
| 2.3.1 布尔模型 | 第19-20页 |
| 2.3.2 向量空间模型 | 第20页 |
| 2.4 特征选择 | 第20-21页 |
| 2.4.1 文档频率 | 第20-21页 |
| 2.4.2 信息增量 | 第21页 |
| 2.4.3 卡方检验 | 第21页 |
| 2.5 特征权重 | 第21-22页 |
| 2.5.1 词频 | 第22页 |
| 2.5.2 TF-IDF | 第22页 |
| 2.6 文本分类性能指标 | 第22-23页 |
| 2.7 本章小结 | 第23-24页 |
| 第三章 面向微博文本的分类方法 | 第24-31页 |
| 3.1 文本分类方法概述 | 第24页 |
| 3.2 若干典型的文本分类算法 | 第24-26页 |
| 3.2.1 KNN(K近邻)分类算法 | 第24-25页 |
| 3.2.2 朴素贝叶斯分类算法 | 第25-26页 |
| 3.3 改进的面向微博文本的文本分类方法 | 第26-29页 |
| 3.3.1 改进的KNN微博文本分类 | 第26-27页 |
| 3.3.2 基于微博特征的分类算法 | 第27-29页 |
| 3.4 文本表示与特征选择 | 第29-30页 |
| 3.4.1 文本表示 | 第29-30页 |
| 3.4.2 特征选择 | 第30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 实验与分析 | 第31-41页 |
| 4.1 实验概述 | 第31-32页 |
| 4.1.1 实验目的 | 第31页 |
| 4.1.2 实验环境 | 第31页 |
| 4.1.3 实验步骤 | 第31-32页 |
| 4.2 实验数据 | 第32-35页 |
| 4.2.1 微博文本获取 | 第32页 |
| 4.2.2 类别选取和数据分布 | 第32页 |
| 4.2.3 文本预处理 | 第32-33页 |
| 4.2.4 文本分类程序 | 第33-35页 |
| 4.3 实验结果和分析 | 第35-40页 |
| 4.3.1 KNN文本分类 | 第36页 |
| 4.3.2 朴素贝叶斯分类 | 第36-37页 |
| 4.3.3 改进的KNN微博文本分类 | 第37-38页 |
| 4.3.4 基于微博特征的微博文本分类算法 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 总结与展望 | 第41-43页 |
| 5.1 总结 | 第41-42页 |
| 5.2 展望 | 第42-43页 |
| 参考文献 | 第43-46页 |
| 致谢 | 第46-47页 |
| 攻读硕士学位期间发表的学术论文目录 | 第47页 |
