基于词向量的文本分类算法研究与改进
| 内容摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 1 绪论 | 第12-16页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·本文主要工作和创新 | 第14页 |
| ·本文组织结构 | 第14-16页 |
| 2 文本分类关键技术 | 第16-29页 |
| ·文本分类的概念 | 第16-18页 |
| ·文本分类的基本流程 | 第17-18页 |
| ·文本预处理 | 第18-19页 |
| ·文本格式处理 | 第18页 |
| ·文本分词 | 第18-19页 |
| ·去停用词 | 第19页 |
| ·文本表示模型 | 第19-21页 |
| ·布尔模型 | 第19-20页 |
| ·向量空间模型 | 第20-21页 |
| ·概率模型 | 第21页 |
| ·文本特征选择算法 | 第21-22页 |
| ·卡方检验 | 第21-22页 |
| ·信息增益 | 第22页 |
| ·互信息 | 第22页 |
| ·文本分类算法 | 第22-28页 |
| ·决策树分类算法 | 第23-24页 |
| ·朴素贝叶斯分类算法 | 第24-25页 |
| ·支持向量机分类算法 | 第25-27页 |
| ·K近邻分类算法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 文本特征选择算法分析 | 第29-34页 |
| ·特征选择过程 | 第29页 |
| ·卡方检验 | 第29-30页 |
| ·信息增益 | 第30-32页 |
| ·互信息 | 第32页 |
| ·文档频率 | 第32-33页 |
| ·特征选择算法比较 | 第33页 |
| ·本章小结 | 第33-34页 |
| 4 词向量的原理与分析 | 第34-46页 |
| ·词向量基本概念 | 第34-35页 |
| ·Word2vec工作原理 | 第35-39页 |
| ·CBOW模型 | 第35-38页 |
| ·Skip-gram模型 | 第38-39页 |
| ·Word2vec实验 | 第39-45页 |
| ·距离度量 | 第42页 |
| ·相似度度量 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 5 基于词向量特征选择算法改进及实验 | 第46-60页 |
| ·基于卡方检验特征选择算法的文本分类 | 第46-50页 |
| ·实验概述 | 第46-47页 |
| ·评价指标 | 第47-48页 |
| ·基于卡方检验特征选择算法文本分类实验结果 | 第48-50页 |
| ·基于词向量的文本特征选择算法改进 | 第50-55页 |
| ·基于词向量的文本特征选择算法改进原理 | 第50-51页 |
| ·基于词向量的文本特征选择算法改进实验结果 | 第51-55页 |
| ·结合集中度和分散度对特征选择算法的改进 | 第55-58页 |
| ·集中度 | 第55页 |
| ·分散度 | 第55-56页 |
| ·结合集中度和分散度对特征选择进行改进 | 第56页 |
| ·结合集中度和分散度对特征选择进行改进实验结果 | 第56-58页 |
| ·本章小节 | 第58-60页 |
| 6 总结与展望 | 第60-63页 |
| ·工作总结 | 第60-61页 |
| ·研究展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 硕士在读期间学术成果 | 第67-68页 |
| 致谢 | 第68页 |
