| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-29页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-25页 |
| 1.3.1 文本分类研究综述 | 第13-15页 |
| 1.3.2 TF-IDF及LSI研究现状 | 第15-17页 |
| 1.3.3 主观题自动评分国内外研究现状 | 第17-21页 |
| 1.3.4 文献评述 | 第21-25页 |
| 1.4 研究内容及方法 | 第25-26页 |
| 1.4.1 研究内容 | 第25-26页 |
| 1.4.2 研究方法 | 第26页 |
| 1.5 技术路线 | 第26-28页 |
| 1.6 研究框架 | 第28页 |
| 1.7 本章小结 | 第28-29页 |
| 第二章 相关理论介绍 | 第29-51页 |
| 2.1 文本分类 | 第29-31页 |
| 2.1.1 文本分类定义 | 第29-30页 |
| 2.1.2 文本分类预处理 | 第30-31页 |
| 2.2 文本表示模型 | 第31-34页 |
| 2.2.1 向量空间模型 | 第31-33页 |
| 2.2.2 布尔模型 | 第33页 |
| 2.2.3 概率模型 | 第33-34页 |
| 2.3 文本分类流程 | 第34页 |
| 2.4 特征选择 | 第34-37页 |
| 2.4.1 文档频率 | 第34-35页 |
| 2.4.2 信息增益 | 第35-36页 |
| 2.4.3 x~2统计 | 第36-37页 |
| 2.5 分类方法 | 第37-41页 |
| 2.5.1 基于统计的分类方法 | 第37页 |
| 2.5.2 基于规则的分类方法 | 第37-41页 |
| 2.6 分类方法评估 | 第41-42页 |
| 2.6.1 准确率和召回率 | 第41-42页 |
| 2.6.2 F-度量值 | 第42页 |
| 2.6.3 宏平均 | 第42页 |
| 2.7 PYTHON介绍 | 第42-45页 |
| 2.7.1 Python优点 | 第42-44页 |
| 2.7.2 Python中异常处理机制 | 第44-45页 |
| 2.7.3 选择Python的原因 | 第45页 |
| 2.8 中文分词方法 | 第45-47页 |
| 2.8.1 jieba分词 | 第45-46页 |
| 2.8.2 THULAC分词 | 第46页 |
| 2.8.3 SnowNLP分词 | 第46-47页 |
| 2.9 文本相似度量方法 | 第47-50页 |
| 2.9.1 TF-TDF方法 | 第47-48页 |
| 2.9.2 LSI方法 | 第48-50页 |
| 2.10 本章小结 | 第50-51页 |
| 第三章 基于TF-IDF及LSI的主观题自动评分系统设计 | 第51-75页 |
| 3.1 系统分析 | 第51页 |
| 3.2 系统设计 | 第51-55页 |
| 3.2.1 总体框架 | 第51-52页 |
| 3.2.2 功能模块设计 | 第52-53页 |
| 3.2.3 数据库设计 | 第53-55页 |
| 3.3 系统实现 | 第55-60页 |
| 3.3.1 系统开发环境 | 第55-57页 |
| 3.3.2 系统人机交互界面 | 第57-60页 |
| 3.3.3 功能模块实现 | 第60页 |
| 3.4 数据库实现 | 第60-73页 |
| 3.5 本章小结 | 第73-75页 |
| 第四章 结论与展望 | 第75-77页 |
| 4.1 结论 | 第75页 |
| 4.2 展望 | 第75-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-87页 |
| 附录A 攻读硕士生期间的科研成果 | 第87-89页 |
| 附录B 程序部分源代码 | 第89-95页 |