| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景和研究意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 研究意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 短文本分类研究现状 | 第14-16页 |
| 1.2.2 集成学习研究现状 | 第16-17页 |
| 1.3 本文主要工作与组织结构 | 第17-20页 |
| 1.3.1 本文主要工作 | 第17-18页 |
| 1.3.2 本文组织结构 | 第18-20页 |
| 第二章 相关理论研究 | 第20-32页 |
| 2.1 短文本分类的理论 | 第20-25页 |
| 2.1.1 短文本分类概述 | 第20页 |
| 2.1.2 短文本分类的关键技术 | 第20-25页 |
| 2.2 集成学习 | 第25-29页 |
| 2.2.1 集成学习理论 | 第25-26页 |
| 2.2.2 集成学习算法 | 第26-29页 |
| 2.3 短文本的特征扩展 | 第29-31页 |
| 2.3.1 特征扩展理论 | 第29-30页 |
| 2.3.2 短文本特征扩展方法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于维基百科的短文本特征扩展 | 第32-44页 |
| 3.1 维基百科知识库 | 第32-34页 |
| 3.1.1 知识库简介 | 第32-33页 |
| 3.1.2 维基百科知识库 | 第33-34页 |
| 3.2 基于维基百科的短文本特征扩展整体框架 | 第34-35页 |
| 3.3 基于Word2vec的维基百科相关概念集合构建 | 第35-37页 |
| 3.3.1 维基百科相关概念提取 | 第35-36页 |
| 3.3.2 Word2vec与语义关系量化 | 第36-37页 |
| 3.4 基于维基百科概念集合的短文本特征扩展 | 第37-39页 |
| 3.5 实验分析 | 第39-43页 |
| 3.5.1 实验环境及实验数据 | 第39页 |
| 3.5.2 评估标准 | 第39-40页 |
| 3.5.3 实验设计 | 第40页 |
| 3.5.4 实验结果分析 | 第40-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于主题模型的短文本特征扩展 | 第44-53页 |
| 4.1 LDA主题模型 | 第44-45页 |
| 4.2 基于LDA主题模型的短文本扩展 | 第45-48页 |
| 4.2.1 类别高频词提取 | 第46页 |
| 4.2.2 LDA模型构建与Gibbs抽样 | 第46-47页 |
| 4.2.3 基于LDA模型的短文本特征扩展 | 第47-48页 |
| 4.3 实验分析 | 第48-51页 |
| 4.3.1 实验设计 | 第48-49页 |
| 4.3.2 实验结果分析 | 第49-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 基于集成学习的短文本分类模型 | 第53-65页 |
| 5.1 决策树和随机森林 | 第53-56页 |
| 5.1.1 决策树 | 第53-55页 |
| 5.1.2 随机森林 | 第55-56页 |
| 5.2 基于多源异构特征的随机森林模型 | 第56-61页 |
| 5.2.1 短文本的多源特征扩展 | 第58-60页 |
| 5.2.2 样本子集和特征子集的选择 | 第60页 |
| 5.2.3 基分类器决策树的生成 | 第60页 |
| 5.2.4 基于选择性集成学习方法的随机森林模型的构成 | 第60-61页 |
| 5.3 实验分析 | 第61-64页 |
| 5.3.1 实验设计 | 第61-62页 |
| 5.3.2 实验结果与分析 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 结论 | 第65-67页 |
| 6.1 本文主要工作与创新点 | 第65-66页 |
| 6.2 工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 作者在学期间取得的学术成果 | 第74页 |