| 摘要 | 第1-3页 |
| ABSTRACT | 第3-4页 |
| 目录 | 第4-7页 |
| 第一章 绪论 | 第7-16页 |
| ·研究背景和目的 | 第7-8页 |
| ·论文的组织结构 | 第8页 |
| ·数据挖掘 | 第8-13页 |
| ·数据挖掘的由来 | 第8-9页 |
| ·数据挖掘的定义 | 第9页 |
| ·数据挖掘研究内容和本质 | 第9-11页 |
| ·数据挖掘的功能 | 第11页 |
| ·数据挖掘未来研究方向 | 第11-13页 |
| ·文本挖掘 | 第13-14页 |
| ·文本挖掘的定义 | 第13页 |
| ·文本挖掘的分类 | 第13-14页 |
| ·文本分类 | 第14-16页 |
| 第二章 文本分类的定义和应用 | 第16-18页 |
| ·文本分类的定义 | 第16页 |
| ·文本分类的应用 | 第16-18页 |
| ·文献自动标引 | 第16-17页 |
| ·文本过滤 | 第17页 |
| ·词义排岐 | 第17页 |
| ·网页分类 | 第17-18页 |
| 第三章 文本分类的关键技术方法 | 第18-28页 |
| ·人工方法和自动方法 | 第18-19页 |
| ·文本分类过程 | 第19-24页 |
| ·文本信息的预处理 | 第20页 |
| ·文本表示 | 第20-21页 |
| ·空间降维 | 第21-24页 |
| ·特征匹配和分类 | 第24页 |
| ·文本分类方法 | 第24-28页 |
| ·Rocchio方法 | 第24页 |
| ·简单向量距离分类法 | 第24-25页 |
| ·贝叶斯方法Naive Bayes | 第25页 |
| ·K最近邻居方法KNN | 第25-26页 |
| ·决策树方法 | 第26-27页 |
| ·支持向量机SVM | 第27页 |
| ·神经网络方法 | 第27-28页 |
| 第四章 人工神经网络 | 第28-38页 |
| ·神经网络的定义 | 第28页 |
| ·神经网络的基本属性 | 第28-29页 |
| ·神经网络模型的分类 | 第29页 |
| ·误差反向传播的前馈网络(BP网络) | 第29-36页 |
| ·神经网络的学习机理和机构 | 第30-31页 |
| ·神经网络学习的梯度算法 | 第31-32页 |
| ·反向传播学习的BP算法 | 第32-36页 |
| ·神经网络的应用 | 第36-38页 |
| 第五章 文本分类系统的设计 | 第38-54页 |
| ·文本预处理 | 第38-39页 |
| ·分词任务 | 第38页 |
| ·专业词典 | 第38页 |
| ·分词算法 | 第38-39页 |
| ·特征表示 | 第39-40页 |
| ·潜在语义索引降维 | 第40-45页 |
| ·词-文档矩阵(Term-Document Matrix) | 第40-41页 |
| ·奇异值分解(Singular Value Decomposition) | 第41-43页 |
| ·LSI空间的相似度计算 | 第43页 |
| ·空间映射 | 第43-44页 |
| ·结合LSI和神经网络 | 第44页 |
| ·调整LSI | 第44-45页 |
| ·BP网络算法 | 第45-47页 |
| ·层次分类 | 第47-48页 |
| ·一般体系结构 | 第47页 |
| ·多层体系结构 | 第47-48页 |
| ·GA优化神经网络 | 第48-54页 |
| ·神经网络为什么需要遗传算法 | 第48-49页 |
| ·神经网络学习的复杂性 | 第49-50页 |
| ·面向神经网络权值学习的遗传算法 | 第50-52页 |
| ·一种改进的算法(MGA) | 第52-53页 |
| ·采用GA与BP的混合技术 | 第53-54页 |
| 第六章 文本分类系统的实现 | 第54-67页 |
| ·系统实现 | 第54-59页 |
| ·系统流程 | 第54-55页 |
| ·系统结构 | 第55-56页 |
| ·神经网络 | 第56-59页 |
| ·评估指标 | 第59-60页 |
| ·系统性能评测 | 第60-62页 |
| ·系统的实际应用 | 第62-67页 |
| ·文书拟制 | 第62页 |
| ·建立网络 | 第62-63页 |
| ·训练 | 第63-64页 |
| ·预测 | 第64-65页 |
| ·生成目标文书 | 第65-67页 |
| 第七章 结束语 | 第67-69页 |
| ·论文的小结 | 第67页 |
| ·下一步的工作 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 硕士期间发表和已录用的文章 | 第73-74页 |
| 致谢 | 第74页 |