基于主题相似度的短文本分类方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 概率主题模型研究现状 | 第11-13页 |
| 1.2.2 短文本分类研究现状 | 第13-14页 |
| 1.3 研究内容及创新点 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 相关理论知识概述 | 第16-28页 |
| 2.1 文本分类 | 第16-21页 |
| 2.1.1 文本分类概述 | 第16页 |
| 2.1.2 文本分类的流程 | 第16-17页 |
| 2.1.3 文本分类介绍 | 第17-21页 |
| 2.2 文本预处理 | 第21-23页 |
| 2.2.1 文本切分 | 第22-23页 |
| 2.2.2 分词 | 第23页 |
| 2.2.3 去除噪音 | 第23页 |
| 2.3 特征选择方法和建模 | 第23-26页 |
| 2.3.1 特征选择 | 第23-24页 |
| 2.3.2 建模 | 第24-26页 |
| 2.4 文本分类性能评价指标 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于主题相似度的短文本模型构造 | 第28-35页 |
| 3.1 短文本特征分析 | 第28-29页 |
| 3.2 LDA主题模型 | 第29-31页 |
| 3.2.1 LDA主题模型的生成过程 | 第30-31页 |
| 3.2.2 吉布斯抽样原理 | 第31页 |
| 3.3 文本主题向量化 | 第31-32页 |
| 3.4 基于LDA模型的短文本分类 | 第32页 |
| 3.5 实验结果与分析 | 第32-34页 |
| 3.5.1 文本集预处理 | 第32-33页 |
| 3.5.2 实验结果分析 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 改进KNN分类算法设计实现 | 第35-45页 |
| 4.1 文本分类器 | 第35-37页 |
| 4.1.1 KNN分类算法 | 第35-36页 |
| 4.1.2 相似性度量 | 第36-37页 |
| 4.1.3 改进的KNN算法 | 第37页 |
| 4.2 改进KNN算法分类器 | 第37-41页 |
| 4.2.1 实验流程 | 第37-38页 |
| 4.2.2 参数设置 | 第38-40页 |
| 4.2.3 对比实验设计 | 第40-41页 |
| 4.3 实验结果与分析 | 第41-44页 |
| 4.3.1 实验环境 | 第41页 |
| 4.3.2 实验语料处理 | 第41页 |
| 4.3.3 吉布斯抽样过程 | 第41-43页 |
| 4.3.4 结果分析 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 总结展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50页 |
