基于机器学习的文本分类研究
| 摘要 | 第1-7页 |
| ABSTRACT(英文摘要) | 第7-12页 |
| 主要符号对照表 | 第12-13页 |
| 第一章 绪论 | 第13-26页 |
| ·研究的目的、意义及背景 | 第13-14页 |
| ·文本分类的发展过程 | 第14-16页 |
| ·国内外研究现状 | 第16-24页 |
| ·文本标引 | 第16-18页 |
| ·特征降维 | 第18-21页 |
| ·特征选择 | 第18页 |
| ·特征抽取 | 第18-21页 |
| ·分类器 | 第21-22页 |
| ·评估方法 | 第22-24页 |
| ·主要研究内容和创新点 | 第24-25页 |
| ·论文内容安排 | 第25-26页 |
| 第二章 多类特征选择算法 | 第26-36页 |
| ·引言 | 第26-27页 |
| ·多类分类器 | 第27-28页 |
| ·朴素贝叶斯算法 | 第27页 |
| ·K最近邻算法 | 第27-28页 |
| ·Rocchio算法 | 第28页 |
| ·特征选择方法 | 第28-29页 |
| ·信息增益(IG) | 第28页 |
| ·χ_2统计(CHI) | 第28-29页 |
| ·基于概率解释的特征选择算法 | 第29-33页 |
| ·线性支持向量机 | 第29-30页 |
| ·二类情况下的特征选择算法 | 第30页 |
| ·多类情况下的特征选择算法 | 第30-33页 |
| ·实验结果与分析 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 最小最大模块化算法 | 第36-41页 |
| ·引言 | 第36页 |
| ·任务分解 | 第36-38页 |
| ·子模块组合 | 第38-39页 |
| ·最小最大模块化网络的相关研究 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 最小最大K-NN算法中投票算法的研究 | 第41-58页 |
| ·引言 | 第41-42页 |
| ·算法描述 | 第42页 |
| ·K-NN的投票方法 | 第42-44页 |
| ·K-NN算法 | 第42-43页 |
| ·不同的投票方法 | 第43-44页 |
| ·实验结果与分析 | 第44-57页 |
| ·实验设置 | 第44-53页 |
| ·性能评价方法 | 第53-54页 |
| ·实验结果与分析 | 第54-57页 |
| ·时间复杂度分析 | 第57页 |
| ·本章小结 | 第57-58页 |
| 第五章 最小最大模块化支持向量机算法 | 第58-70页 |
| ·引言 | 第58页 |
| ·最小最大支持向量机算法 | 第58-59页 |
| ·任务分解策略 | 第59-63页 |
| ·随机任务分解策略 | 第60页 |
| ·超平面分解策略 | 第60-63页 |
| ·实验结果与分析 | 第63-68页 |
| ·本章小结 | 第68-70页 |
| 第六章 跨语言朴素贝叶斯分类器 | 第70-84页 |
| ·引言 | 第70-72页 |
| ·相关工作 | 第72页 |
| ·方法介绍 | 第72-77页 |
| ·概率词典的构造 | 第72-75页 |
| ·基于EM的朴素贝叶斯跨语言分类算法 | 第75-77页 |
| ·实验数据 | 第77-78页 |
| ·实验与分析 | 第78-82页 |
| ·一些基线算法 | 第78-80页 |
| ·实验结果与分析 | 第80-82页 |
| ·本章小结 | 第82-84页 |
| 第七章 一个跨语言文本分类的精细框架 | 第84-96页 |
| ·引言 | 第84页 |
| ·相关工作 | 第84-85页 |
| ·精细框架 | 第85-90页 |
| ·第一阶段 | 第85-87页 |
| ·第二阶段 | 第87-88页 |
| ·实验与讨论 | 第88-90页 |
| ·本章小结 | 第90-96页 |
| 第八章 结束语 | 第96-98页 |
| 参考文献 | 第98-110页 |
| 致谢 | 第110-111页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第111-112页 |
