| 提要 | 第1-8页 |
| 第一章 绪论 | 第8-11页 |
| ·研究背景 | 第8-10页 |
| ·本文工作 | 第10-11页 |
| 第二章 文本分类系统 | 第11-28页 |
| ·文本分类系统简介 | 第11-12页 |
| ·文本分类系统的组成部分 | 第12-13页 |
| ·文本分类器的工作过程 | 第13-15页 |
| ·文本表示模型 | 第15-16页 |
| ·文本特征选择 | 第16-22页 |
| ·文档频率（Document Frequency，DF） | 第17-18页 |
| ·互信息(Mutual Information，MI) | 第18页 |
| ·x~2 统计量(CHI-square，CHI) | 第18-19页 |
| ·信息增益（Information Gain，IG） | 第19-21页 |
| ·期望交叉熵（Excepted Cross Entropy） | 第21页 |
| ·相关系数(Correlation Coefficient，CC) | 第21-22页 |
| ·文本分类算法 | 第22-28页 |
| ·Rocchio 算法 | 第22页 |
| ·朴素贝叶斯（Naive Bayes） | 第22-23页 |
| ·K 近邻(K Nearest Neighbor,KNN) | 第23-24页 |
| ·决策树算法(Decision Tree) | 第24-26页 |
| ·支持向量机(Support Vector Machine,SVM) | 第26-28页 |
| 第三章 基于罗吉斯回归的文本分类系统 | 第28-36页 |
| ·生成学习模型的不足 | 第28-29页 |
| ·罗吉斯回归模型 | 第29-31页 |
| ·罗吉斯回归的学习算法 | 第31-33页 |
| ·在多类别分类中使用罗吉斯回归模型 | 第33-34页 |
| ·基于“成对分类”思想的多类分类法 | 第34-36页 |
| 第四章 基于关系马尔可夫网的文本分类系统 | 第36-47页 |
| ·传统机器学习方法的缺陷 | 第36-38页 |
| ·统计关系学习的提出 | 第38-39页 |
| ·关系模式(Relation Schema) | 第39-40页 |
| ·马尔可夫网(Markov Networks) | 第40页 |
| ·条件马尔可夫网 | 第40-41页 |
| ·关系马尔可夫网的概念 | 第41-42页 |
| ·关系团模板 | 第41-42页 |
| ·关系马尔可夫网 | 第42页 |
| ·参数学习算法 | 第42-44页 |
| ·网络推理算法 | 第44-47页 |
| 第五章 两种分类方法的实验与比较 | 第47-57页 |
| ·Logistic Regressin 文本分类器的实现 | 第47-50页 |
| ·关系马尔可夫网分类器的实现 | 第50-51页 |
| ·实验数据集 | 第51-52页 |
| ·实验数据预处理 | 第52-54页 |
| ·文本特征选择 | 第54-55页 |
| ·实验结果 | 第55-56页 |
| ·实验结论 | 第56-57页 |
| 第六章 总结 | 第57-58页 |
| ·工作总结 | 第57页 |
| ·工作展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 摘要 | 第61-64页 |
| Abstract | 第64-68页 |
| 致谢 | 第68页 |
