| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文的结构安排 | 第12-14页 |
| 第2章 向量空间模型及分类方法 | 第14-24页 |
| 2.1 向量空间模型 | 第14-16页 |
| 2.2 其它分类算法 | 第16-20页 |
| 2.2.1 支持向量机 | 第16-17页 |
| 2.2.2 朴素贝叶斯算法 | 第17-19页 |
| 2.2.3 Rocchio算法 | 第19页 |
| 2.2.4 神经网络算法 | 第19-20页 |
| 2.3 实验评测标准 | 第20-22页 |
| 2.4 分类算法的比较 | 第22-24页 |
| 第3章 KNN算法简介 | 第24-34页 |
| 3.1 KNN算法 | 第24-27页 |
| 3.2 常用相似度 | 第27-30页 |
| 3.2.1 欧氏距离(Euclidean distance) | 第28页 |
| 3.2.2 余弦距离(Cosine distance) | 第28页 |
| 3.2.3 城区距离(City-block distance) | 第28-29页 |
| 3.2.4 相关距离(Correlation distance) | 第29页 |
| 3.2.5 汉明距离(Hamming distance) | 第29-30页 |
| 3.3 KNN算法的思想 | 第30-31页 |
| 3.4 KNN分类算法的优缺点 | 第31-34页 |
| 第4章 KNN算法相似度的改进 | 第34-38页 |
| 4.1 常用相似度的不足 | 第34-35页 |
| 4.2 余弦相似度的改进 | 第35-36页 |
| 4.3 改进后KNN算法的步骤 | 第36-38页 |
| 第5章 基于相似度改进的KNN算法的应用 | 第38-46页 |
| 5.1 关于距离和实验评价标准的说明 | 第38页 |
| 5.2 算法的流程 | 第38-39页 |
| 5.3 实验结果及分析 | 第39-46页 |
| 总结和展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52页 |
