| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-15页 |
| ·研究背景与意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-13页 |
| ·论文的主要工作及创新点 | 第13-14页 |
| ·论文结构安排 | 第14-15页 |
| 2 文本分类关键技术综述 | 第15-35页 |
| ·文本分类概述 | 第15-17页 |
| ·文本分类的过程 | 第15-16页 |
| ·文本分类的框架 | 第16-17页 |
| ·文本表示 | 第17-22页 |
| ·布尔逻辑模型（Boolean Logical Model，BLM） | 第18-19页 |
| ·概率模型（Probabilitic Model，PM） | 第19页 |
| ·潜在语义索引模型（Latent Semantic Index，LSI） | 第19页 |
| ·神经网络算法（Neural Network，NN） | 第19-20页 |
| ·向量空间模型（Vector space model，VSM） | 第20-22页 |
| ·文本预处理 | 第22-27页 |
| ·中文分词 | 第22-26页 |
| ·去停用词 | 第26-27页 |
| ·特征选择算法 | 第27-31页 |
| ·特征频率（Term Frequency，TF） | 第28-29页 |
| ·文档频率(Document Frequency，DF) | 第29页 |
| ·信息增益（Information Gain，IG） | 第29-30页 |
| ·互信息（Mutual Information，MI） | 第30页 |
| ·CHI 统计 | 第30-31页 |
| ·分类算法 | 第31-32页 |
| ·分类性能评价 | 第32-34页 |
| ·查准率和查全率 | 第33页 |
| ·F－测量 | 第33-34页 |
| ·宏平均和微平均 | 第34页 |
| ·本章小结 | 第34-35页 |
| 3 多元权重特征加权算法的研究 | 第35-43页 |
| ·特征加权算法的分析 | 第35-38页 |
| ·布尔函数 | 第35-36页 |
| ·TF 函数 | 第36页 |
| ·IDF 权重 | 第36页 |
| ·ITC 函数 | 第36-37页 |
| ·tf*idf 函数 | 第37-38页 |
| ·多元权重特征加权算法 | 第38-42页 |
| ·传统算法的不足及改进思路 | 第38-39页 |
| ·位置权重系数 | 第39页 |
| ·词长权重系数 | 第39-40页 |
| ·类别权重系数 | 第40-41页 |
| ·多元权重特征词加权算法描述 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 4 基于改进 KNN 的分类算法 | 第43-51页 |
| ·现有分类算法的分析 | 第43-48页 |
| ·朴素贝叶斯算法 | 第43-44页 |
| ·支持向量机法 | 第44-45页 |
| ·神经网络算法 | 第45页 |
| ·最小距离算法 | 第45-46页 |
| ·决策树算法 | 第46页 |
| ·潜在语义索引算法 | 第46-47页 |
| ·传统的KNN 分类算法 | 第47页 |
| ·几种分类算法的比较 | 第47-48页 |
| ·改进的KNN 算法 | 第48-50页 |
| ·传统KNN 分类算法的不足 | 第48页 |
| ·改进后的算法描述 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 5 实验及结果分析 | 第51-62页 |
| ·实验数据集 | 第51-53页 |
| ·开发工具和平台 | 第51页 |
| ·数据集 | 第51页 |
| ·分词系统 | 第51-53页 |
| ·实验结果及评价 | 第53-61页 |
| ·分类算法 | 第53-54页 |
| ·具体步骤 | 第54-56页 |
| ·实验结果及分析 | 第56-61页 |
| ·本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-63页 |
| ·本文所做的工作 | 第62页 |
| ·展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
