| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 选题背景 | 第9页 |
| 1.2 选题目的及意义 | 第9-10页 |
| 1.3 国内外发展现状 | 第10-12页 |
| 1.4 研究主要内容 | 第12页 |
| 1.5 研究方法和技术路线 | 第12-13页 |
| 1.6 本章小结 | 第13-14页 |
| 2 决策分析和文本分类概述 | 第14-19页 |
| 2.1 决策分析概述 | 第14-16页 |
| 2.1.1 科学决策 | 第14页 |
| 2.1.2 决策分析的分类 | 第14-15页 |
| 2.1.3 决策分析中的关联信息 | 第15页 |
| 2.1.4 淘宝客户决策特性分析模型 | 第15-16页 |
| 2.2 文本分类概述 | 第16-18页 |
| 2.2.1 文本分类过程 | 第16-17页 |
| 2.2.2 中文分词 | 第17页 |
| 2.2.3 特征提取 | 第17页 |
| 2.2.4 分类算法 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 3 优化的决策模型在网购决策分析中的研究 | 第19-38页 |
| 3.1 TOPSIS与前景理论在网购决策中的适用性 | 第19页 |
| 3.2 优化的TOPSIS决策分析方法 | 第19-25页 |
| 3.2.1 TOPSIS模型 | 第19-22页 |
| 3.2.2 部分序决策方法 | 第22-24页 |
| 3.2.3 基于部分序的TOPSIS决策模型的优化 | 第24-25页 |
| 3.3 优化的前景理论决策分析方法 | 第25-33页 |
| 3.3.1 前景理论模型 | 第26-28页 |
| 3.3.2 灰色关联分析 | 第28-30页 |
| 3.3.3 多要素灰数关联分析 | 第30页 |
| 3.3.4 基于多要素的前景理论决策模型的优化 | 第30-33页 |
| 3.4 实验与分析 | 第33-37页 |
| 3.4.1 数据来源 | 第33-34页 |
| 3.4.2 优化的TOPSIS决策模型算例分析 | 第34-35页 |
| 3.4.3 优化的前景理论决策模型算例分析 | 第35-36页 |
| 3.4.4 两种优化的决策模型的优势 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 优化的分类模型在网购决策分析中的研究 | 第38-60页 |
| 4.1 不平衡数据集分类 | 第38页 |
| 4.2 评语数据集的不平衡性 | 第38-39页 |
| 4.3 基于决策边界的L-SMOTE优化方法 | 第39-42页 |
| 4.3.1 SMOTE算法 | 第39-40页 |
| 4.3.2 SMOTE算法的优缺点 | 第40页 |
| 4.3.3 L-SMOTE算法 | 第40-41页 |
| 4.3.4 D-SMOTE算法 | 第41页 |
| 4.3.5 LD-SMOTE算法 | 第41-42页 |
| 4.4 基于熵值法的混合核ε-SVM优化方法 | 第42-50页 |
| 4.4.1 支持向量机 | 第42页 |
| 4.4.2 线性学习感知机算法 | 第42-44页 |
| 4.4.3 核函数 | 第44-45页 |
| 4.4.4 ε-SVM | 第45-46页 |
| 4.4.5 混合核SVM | 第46-47页 |
| 4.4.6 混合核ε-SVM的优化方法 | 第47-50页 |
| 4.5 FRPSO算法优化参数 | 第50-52页 |
| 4.5.1 PSO算法 | 第50页 |
| 4.5.2 FRPSO算法 | 第50-51页 |
| 4.5.3 FRPSO算法优化混合核ε-SVM | 第51-52页 |
| 4.6 实验与分析 | 第52-59页 |
| 4.6.1 评语预处理 | 第53页 |
| 4.6.2 特征提取与极性判断 | 第53-54页 |
| 4.6.3 分类模型对比实验 | 第54-57页 |
| 4.6.4 应用验证 | 第57-59页 |
| 4.7 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-66页 |
| 攻读学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67-68页 |