文本分类关键技术及应用研究
| 提要 | 第4-5页 |
| 摘要 | 第5-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第15-29页 |
| 1.1 研究背景及意义 | 第15-18页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 研究意义 | 第16-18页 |
| 1.2 国内外研究现状 | 第18-25页 |
| 1.2.1 文本分类历史 | 第18-19页 |
| 1.2.2 文本分类研究现状 | 第19-25页 |
| 1.3 本文的主要工作 | 第25-27页 |
| 1.4 本文的组织结构 | 第27-29页 |
| 第2章 文本分类概述 | 第29-50页 |
| 2.1 问题描述 | 第29-30页 |
| 2.2 文本分类框架 | 第30-31页 |
| 2.3 预处理 | 第31-32页 |
| 2.4 文本表示 | 第32-35页 |
| 2.4.1 文本特征的定义 | 第32-33页 |
| 2.4.2 文本表示模型 | 第33-35页 |
| 2.5 特征降维 | 第35-37页 |
| 2.5.1 特征提取 | 第35-36页 |
| 2.5.2 特征选择 | 第36-37页 |
| 2.6 特征权重计算 | 第37-39页 |
| 2.7 文本分类器设计 | 第39-46页 |
| 2.8 文本分类性能评测 | 第46-50页 |
| 2.8.1 评价方法 | 第46-47页 |
| 2.8.2 评价标准 | 第47-50页 |
| 第3章 基于随机游走和蜂群算法的特征选择方法 | 第50-69页 |
| 3.1 引言 | 第50-51页 |
| 3.2 相关原理 | 第51-55页 |
| 3.3 基于随机游走和蜂群算法的特征选择方法 | 第55-60页 |
| 3.3.1 算法描述 | 第55-57页 |
| 3.3.2 阈值 Δ 的选择 | 第57-60页 |
| 3.4 实验结果与分析 | 第60-67页 |
| 3.5 本章小结 | 第67-69页 |
| 第4章 基于主动学习和增量学习的垃圾邮件分类方法 | 第69-87页 |
| 4.1 引言 | 第69-70页 |
| 4.2 相关理论 | 第70-72页 |
| 4.3 基于主动学习和增量学习的垃圾邮件分类方法 | 第72-80页 |
| 4.3.1 特征选择和样本训练 | 第73页 |
| 4.3.2 样本分类 | 第73-74页 |
| 4.3.3 分类确定性评价 | 第74-76页 |
| 4.3.4 样本标注 | 第76-77页 |
| 4.3.5 更新基于词频的正负兴趣集及训练样本集 | 第77-78页 |
| 4.3.6 样本分类的时间复杂性分析 | 第78-80页 |
| 4.4 实验结果与分析 | 第80-86页 |
| 4.4.1 阈值⊿的选择 | 第81-82页 |
| 4.4.2 时间开销比较分析 | 第82-84页 |
| 4.4.3 不同方法之间的精度比较 | 第84-85页 |
| 4.4.4 样本标注负担的比较分析 | 第85-86页 |
| 4.5 本章小结 | 第86-87页 |
| 第5章 基于聚类的文本作者性别分类方法 | 第87-99页 |
| 5.1 引言 | 第87页 |
| 5.2 相关理论 | 第87-88页 |
| 5.3 基于聚类的文本作者性别分类方法 | 第88-93页 |
| 5.3.1 构建训练集 | 第89-90页 |
| 5.3.2 样本表示 | 第90-92页 |
| 5.3.3 样本训练及分类 | 第92-93页 |
| 5.4 实验结果与分析 | 第93-98页 |
| 5.5 本章小结 | 第98-99页 |
| 第6章 基于用户兴趣的查询意图识别方法 | 第99-112页 |
| 6.1 引言 | 第99-100页 |
| 6.2 相关理论 | 第100页 |
| 6.3 基于用户兴趣的查询意图识别方法 | 第100-105页 |
| 6.3.1 用户兴趣模型构建 | 第101-103页 |
| 6.3.2 查询意图分类 | 第103-105页 |
| 6.4 实验结果与分析 | 第105-110页 |
| 6.5 本章小结 | 第110-112页 |
| 第7章 总结与展望 | 第112-115页 |
| 7.1 本文工作总结 | 第112-114页 |
| 7.2 未来工作展望 | 第114-115页 |
| 参考文献 | 第115-129页 |
| 作者简介及在学期间所取得的科研成果 | 第129-131页 |
| 致谢 | 第131-132页 |
