优化特征选择的CTM模型在文本分类中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 相关研究工作 | 第10-14页 |
| 1.2.1 VSM模型 | 第10-11页 |
| 1.2.2 统计概率模型 | 第11页 |
| 1.2.3 主题模型 | 第11-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 文本分类技术概述 | 第15-23页 |
| 2.1 文本预处理 | 第15页 |
| 2.2 文本表示 | 第15-16页 |
| 2.3 特征提取 | 第16-18页 |
| 2.3.1 互信息 | 第17页 |
| 2.3.2 主成分分析 | 第17-18页 |
| 2.4 文本分类方法 | 第18-19页 |
| 2.4.1 KNN分类 | 第18页 |
| 2.4.2 朴素贝叶斯分类 | 第18-19页 |
| 2.4.3 支持向量机 | 第19页 |
| 2.5 性能评估 | 第19-20页 |
| 2.6 R语言介绍 | 第20-22页 |
| 2.7 小结 | 第22-23页 |
| 第三章 主题模型概述 | 第23-30页 |
| 3.1 LDA模型 | 第23-25页 |
| 3.2 CTM模型 | 第25-29页 |
| 3.2.1 后验推断和参数估计 | 第26-29页 |
| 3.2.2 CTM模型在文本分类中的应用 | 第29页 |
| 3.3 小结 | 第29-30页 |
| 第四章 CTM模型的优化及文本分类 | 第30-37页 |
| 4.1 CTM模型主题数目优化 | 第30-32页 |
| 4.1.1 复杂度 | 第30-31页 |
| 4.1.2 对数似然函数 | 第31页 |
| 4.1.3 主题数目优化过程 | 第31-32页 |
| 4.2 CTM模型的特征选择优化 | 第32-34页 |
| 4.2.1 互信息和主成分分析的缺陷 | 第32页 |
| 4.2.2 基于MIPCA的特征提取 | 第32-33页 |
| 4.2.3 CTM模型的特征提取 | 第33-34页 |
| 4.3 基于CTM模型的文本分类 | 第34-36页 |
| 4.3.1 CTM模型的文本分类描述 | 第34页 |
| 4.3.2 优化的CTM模型文本分类过程 | 第34-36页 |
| 4.4 小结 | 第36-37页 |
| 第五章 仿真实验 | 第37-49页 |
| 5.1 实验方法和数据描述 | 第37页 |
| 5.1.1 实验平台 | 第37页 |
| 5.1.2 实验数据描述 | 第37页 |
| 5.1.3 实验环境搭建以及数据预处理 | 第37页 |
| 5.2 仿真实验 | 第37-48页 |
| 5.2.1 优化模型主题数 | 第37-42页 |
| 5.2.2 CTM模型的特征提取 | 第42-43页 |
| 5.2.3 可视化显示 | 第43-48页 |
| 5.3 小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 本文工作总结 | 第49页 |
| 6.2 未来工作展望 | 第49-51页 |
| 参考文献 | 第51-53页 |
| 致谢 | 第53页 |
