基于信息熵加权去噪的半监督SVM文本分类研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 1. 绪论 | 第9-14页 |
| ·研究背景和意义 | 第9-10页 |
| ·研究背景 | 第9页 |
| ·文本分类的重要意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·国外研究现状 | 第10页 |
| ·国内研究现状 | 第10-11页 |
| ·机器学习理论 | 第11-12页 |
| ·无监督学习 | 第11页 |
| ·有监督学习 | 第11-12页 |
| ·半监督学习 | 第12页 |
| ·增强学习 | 第12页 |
| ·论文的目的和意义 | 第12-13页 |
| ·论文所完成工作 | 第13-14页 |
| 2. 文本分类 | 第14-30页 |
| ·文本分类模型 | 第14-15页 |
| ·中文分词 | 第15-16页 |
| ·分词算法 | 第15-16页 |
| ·分词技术难点 | 第16页 |
| ·文本表示 | 第16-17页 |
| ·向量空间模型 | 第16页 |
| ·权值计算 | 第16-17页 |
| ·文本的相似度计算 | 第17页 |
| ·特征选择 | 第17-19页 |
| ·多类支持向量机 | 第19-21页 |
| ·一对多分类方法(1-a-r) | 第20页 |
| ·一对一分类方法(1-a-1) | 第20页 |
| ·决策树分类法 | 第20-21页 |
| ·决策导向非循环图(DDAG) | 第21页 |
| ·文本分类算法的研究 | 第21-28页 |
| ·朴素贝叶斯 | 第21-23页 |
| ·K-最近邻 | 第23页 |
| ·支持向量机 | 第23-26页 |
| ·神经网络 | 第26-28页 |
| ·文本分类算法的评价指标 | 第28页 |
| ·本章小结 | 第28-30页 |
| 3. 基于信息熵加权去噪的文本分类系统 | 第30-39页 |
| ·噪声数据的影响 | 第30页 |
| ·数据清洗 | 第30-31页 |
| ·处理噪声数据中存在的问题 | 第31页 |
| ·文本分类错误的几种情况 | 第31-33页 |
| ·基于信息熵加权去噪的文本分类模型 | 第33页 |
| ·基于信息熵加权去噪的文本分类方法 | 第33-37页 |
| ·加权算法思想 | 第34页 |
| ·加权的欧氏距离 | 第34页 |
| ·信息熵简介 | 第34-35页 |
| ·信息熵权值的确定 | 第35-36页 |
| ·基于加权欧氏距离的去噪方法步骤 | 第36-37页 |
| ·加权去噪算法的优点 | 第37页 |
| ·系统实现 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 4. 实验结果 | 第39-45页 |
| ·数据的选取 | 第39-40页 |
| ·几种不同分类算法的性能比较 | 第40页 |
| ·不同训练集规模下的分类性能 | 第40-41页 |
| ·不同特征选取方法的分类精度 | 第41-42页 |
| ·去噪实验结果 | 第42-44页 |
| ·包含噪声数据的分类准确率 | 第42-43页 |
| ·去噪后分类准确率 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 5. 总结与展望 | 第45-46页 |
| ·论文工作总结 | 第45页 |
| ·未来展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表学术论文情况 | 第49-50页 |
| 致谢 | 第50-51页 |
| 作者简介 | 第51-52页 |
