| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究背景和意义 | 第10页 |
| 1.2 课题研究现状 | 第10-12页 |
| 1.2.1 支持向量机研究现状 | 第10-11页 |
| 1.2.2 短文本分类研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第二章 文本分类和短文本分类 | 第14-24页 |
| 2.1 文本分类 | 第14-19页 |
| 2.1.1 文本预处理 | 第14-15页 |
| 2.1.2 文本表示 | 第15-16页 |
| 2.1.3 特征选择 | 第16-18页 |
| 2.1.4 权重计算 | 第18-19页 |
| 2.2 文本分类算法 | 第19-21页 |
| 2.2.1 朴素贝叶斯 | 第19页 |
| 2.2.2 K最近邻算法 | 第19-20页 |
| 2.2.3 支持向量机 | 第20-21页 |
| 2.3 分类结果评价标准 | 第21-22页 |
| 2.4 短文本分类的分析 | 第22-23页 |
| 2.4.1 短文本的定义及特点 | 第22页 |
| 2.4.2 短文本的研究方向及难点 | 第22-23页 |
| 2.5 小结 | 第23-24页 |
| 第三章 基于AdaBoost的GASVM分类器 | 第24-46页 |
| 3.1 支持向量机分类算法 | 第24-34页 |
| 3.1.1 核函数 | 第24-25页 |
| 3.1.2 线性可分模型 | 第25-27页 |
| 3.1.3 近似线性可分模型 | 第27-29页 |
| 3.1.4 线性不可分模型 | 第29-31页 |
| 3.1.5 多分类问题 | 第31-34页 |
| 3.2 遗传算法 | 第34-37页 |
| 3.2.1 编码方式 | 第35页 |
| 3.2.2 选择函数 | 第35-36页 |
| 3.2.3 遗传算子 | 第36页 |
| 3.2.4 种群初始化、适应度函数、终止条件 | 第36-37页 |
| 3.3 基于遗传算法的SVM参数优化 | 第37-38页 |
| 3.3.1 参数对支持向量机的影响 | 第37页 |
| 3.3.2 GASVM参数优化算法 | 第37-38页 |
| 3.4 AdaBoost-GASVM分类器 | 第38-41页 |
| 3.4.1 AdaBoost算法原理 | 第38-39页 |
| 3.4.2 基于AdaBoost的GASVM分类算法 | 第39-41页 |
| 3.4.3 算法复杂度分析 | 第41页 |
| 3.5 数值实验及结果分析 | 第41-45页 |
| 3.5.1 实验过程 | 第41-43页 |
| 3.5.2 实验结果及分析 | 第43-45页 |
| 3.6 小结 | 第45-46页 |
| 第四章 基于AdaBoost-GASVM和LDA的短文本分类模型 | 第46-55页 |
| 4.1 分类模型原理 | 第46页 |
| 4.2 短文本的表达模块 | 第46-50页 |
| 4.2.1 短文本的预处理 | 第46-47页 |
| 4.2.2 特征选择和特征扩展 | 第47-50页 |
| 4.3 分类器训练模块 | 第50-51页 |
| 4.4 实验与分析 | 第51-54页 |
| 4.4.1 实验说明 | 第51-52页 |
| 4.4.2 实验步骤 | 第52-53页 |
| 4.4.3 实验结果与分析 | 第53-54页 |
| 4.5 小结 | 第54-55页 |
| 总结与展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间取得的研究成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 附件 | 第62页 |