| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 题目背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 半监督学习 | 第10-12页 |
| 1.2.2 文本分类 | 第12-13页 |
| 1.2.3 主题模型 | 第13-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 相关技术与理论 | 第16-28页 |
| 2.1 中文分词 | 第16-17页 |
| 2.2 文本特征选择 | 第17-20页 |
| 2.2.1 TF-IDF | 第17-18页 |
| 2.2.2 特征评价函数 | 第18-19页 |
| 2.2.3 TF-IDF~*特征评价函数 | 第19-20页 |
| 2.3 文本表示与降维 | 第20-22页 |
| 2.4 主题模型 | 第22-27页 |
| 2.4.1 Dirichlet分布 | 第22-23页 |
| 2.4.2 共轭先验 | 第23页 |
| 2.4.3 Gibbs Sampling | 第23-24页 |
| 2.4.4 Dirichlet过程 | 第24-26页 |
| 2.4.5 层次Dirichlet过程 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于最优主题模型的文本自动标记方法研究 | 第28-40页 |
| 3.1 常用文本自动标记方法分析 | 第28-30页 |
| 3.1.1 分类和聚类的关系 | 第28-29页 |
| 3.1.2 基于聚类的文本自动标记方法分析 | 第29-30页 |
| 3.2 LDA主题模型 | 第30-31页 |
| 3.3 最优主题模型的构造方法 | 第31-36页 |
| 3.3.1 最优模型与主题相似度的关系 | 第31-32页 |
| 3.3.2 基于密度的聚类 | 第32-35页 |
| 3.3.3 最优主题模型的构造方法 | 第35-36页 |
| 3.4 基于最优主题模型的无标签样本自动标记方法 | 第36-39页 |
| 3.4.1 LDA主题模型用于聚类 | 第36-37页 |
| 3.4.2 无标签样本自动标记 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 半监督学习的中文文本分类方法设计 | 第40-49页 |
| 4.1 半监督学习协同训练框架 | 第40-41页 |
| 4.1.1 协同训练 | 第40页 |
| 4.1.2 Tri-Training框架 | 第40-41页 |
| 4.2 协同训练分类器选择 | 第41-43页 |
| 4.3 半监督学习学习分类投票方法设计 | 第43-47页 |
| 4.3.1 Tri-Training框架下分类方法分析与改进 | 第43-45页 |
| 4.3.2 Tri-Training框架下加权投票方法设计 | 第45-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 实验与分析 | 第49-66页 |
| 5.1 实验环境与数据 | 第49页 |
| 5.2 半监督学习的文本分类器实现 | 第49-54页 |
| 5.2.1 文本预处理 | 第50-52页 |
| 5.2.2 协同训练 | 第52页 |
| 5.2.3 投票分类 | 第52-53页 |
| 5.2.4 分类器运行流程 | 第53-54页 |
| 5.3 实验设计与分析 | 第54-65页 |
| 5.3.1 实验评价标准 | 第54-55页 |
| 5.3.2 主题模型构建与无标签文本自动标记实验 | 第55-57页 |
| 5.3.3 协同训练分类器选择实验 | 第57-60页 |
| 5.3.4 分类器横向比较实验 | 第60-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第71-72页 |
| 致谢 | 第72页 |