| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-12页 |
| ·信息过载问题 | 第9页 |
| ·研究动机 | 第9-10页 |
| ·实现方法 | 第10-11页 |
| ·文章构成 | 第11-12页 |
| 第2章 现有文本分类的相关研究 | 第12-18页 |
| ·在机器学习中的文本分析的背景 | 第12页 |
| ·文本分类中的特征选择办法 | 第12-14页 |
| ·新闻频阙值 | 第12-13页 |
| ·信息增益 | 第13页 |
| ·互信息 | 第13页 |
| ·X~2统计量法 | 第13-14页 |
| ·术语强度 | 第14页 |
| ·基于分类器的文本分类方法 | 第14-18页 |
| ·Rocchio算法 | 第14-15页 |
| ·朴素贝叶斯算法 | 第15页 |
| ·KNN算法 | 第15-16页 |
| ·神经网络算法 | 第16-18页 |
| 第3章 分层文本分类的研究 | 第18-24页 |
| ·分层文本分类模型 | 第18-24页 |
| ·词性标注(Part-of-Speech Tagger) | 第18-19页 |
| ·获取词干(Stemmer) | 第19-20页 |
| ·停词过滤(Stop-Word Filter) | 第20页 |
| ·特征选择(Feature Selection) | 第20-21页 |
| ·分层神经网络分类器(Hierarchical Neural-based Classifier) | 第21-24页 |
| 第4章 分层文本分类在智能新闻推荐系统中应用 | 第24-29页 |
| ·INRA的结构 | 第24-29页 |
| ·用户界面 | 第24-25页 |
| ·系统数据库 | 第25页 |
| ·词法分析 | 第25页 |
| ·INRA引擎 | 第25-28页 |
| ·HTC引擎 | 第28-29页 |
| 第5章 实验设计和分析 | 第29-41页 |
| ·语料库 | 第29-32页 |
| ·新闻 | 第29页 |
| ·文件格式 | 第29-30页 |
| ·新闻内部标签 | 第30页 |
| ·分类 | 第30-31页 |
| ·分类的层次结构 | 第31-32页 |
| ·特征选择分析 | 第32-34页 |
| ·基于分层的自动文本分类 | 第34-36页 |
| ·智能新闻推荐系统的性能 | 第36-38页 |
| ·与其他推荐系统的比较 | 第38-41页 |
| 第6章 结论和展望 | 第41-43页 |
| ·结论 | 第41页 |
| ·未来展望 | 第41-43页 |
| 参考文献 | 第43-45页 |
| 致谢 | 第45页 |