基于文本特征的手机用户分类方法研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 文本分类研究现状 | 第10-11页 |
| 1.2.2 分布式计算研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 相关技术综述 | 第14-26页 |
| 2.1 文本分类技术 | 第14-22页 |
| 2.1.1 文本分类过程 | 第14-15页 |
| 2.1.2 文本分类算法 | 第15-22页 |
| 2.2 基于Hadoop的分布式技术 | 第22-25页 |
| 2.2.1 基于Hadoop的大数据处理平台 | 第22-24页 |
| 2.2.2 基于Hadoop的分布式数据挖掘技术 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于改进的TFIDF向量加权分类模型 | 第26-36页 |
| 3.1 TFIDF算法概述 | 第26-28页 |
| 3.1.1 传统TFIDF公式的改进 | 第26-28页 |
| 3.2 基于改进的TFIDF向量加权分类模型实现 | 第28-35页 |
| 3.2.2 数据预处理 | 第28-30页 |
| 3.2.3 算法改进 | 第30-32页 |
| 3.2.4 分类模型 | 第32-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于信息熵的KNN分类模型 | 第36-44页 |
| 4.1 KNN算法概述 | 第36-38页 |
| 4.1.1 传统的KNN算法 | 第36-37页 |
| 4.1.2 计算文本向量之间距离的方法 | 第37-38页 |
| 4.2 基于信息熵的KNN分类算法模型实现 | 第38-43页 |
| 4.2.1 信息熵的引入 | 第38页 |
| 4.2.2 数据预处理 | 第38-40页 |
| 4.2.3 算法改进 | 第40-41页 |
| 4.2.4 分类模型 | 第41-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第五章 实验设计与分析 | 第44-55页 |
| 5.1 实验环境的构造 | 第44-47页 |
| 5.1.1 实验环境的系统结构 | 第44-45页 |
| 5.1.2 数据预处理 | 第45-46页 |
| 5.1.3 分词工具 | 第46-47页 |
| 5.2 实验设计 | 第47-48页 |
| 5.2.1 实验数据 | 第47页 |
| 5.2.2 实验方法 | 第47-48页 |
| 5.3 实验结果与分析 | 第48-53页 |
| 5.3.1 算法精确度对比实验 | 第48-52页 |
| 5.3.2 算法速度对比实验 | 第52-53页 |
| 5.3.3 实验结果分析 | 第53页 |
| 5.4 本章小结 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间取得的研究成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 答辩委员签名的答辩决议书 | 第62页 |
