基于TAN的文本分类方法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-12页 |
| 1 绪论 | 第12-17页 |
| ·研究背景与意义 | 第12-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·论文主要工作 | 第15-16页 |
| ·论文组织结构 | 第16-17页 |
| 2 文本分类基础理论 | 第17-29页 |
| ·文本表示 | 第17-19页 |
| ·文本特征选择 | 第19-21页 |
| ·文档频率 | 第19页 |
| ·信息增益 | 第19-20页 |
| ·期望交叉熵 | 第20页 |
| ·互信息 | 第20-21页 |
| ·χ~2统计法 | 第21页 |
| ·文本分类算法 | 第21-26页 |
| ·朴素贝叶斯方法 | 第22-23页 |
| ·K-近邻方法 | 第23页 |
| ·支持向量机 | 第23-25页 |
| ·线性最小平方拟合 | 第25页 |
| ·神经网络 | 第25-26页 |
| ·文本分类性能评价 | 第26-28页 |
| ·查全率和查准率 | 第26页 |
| ·宏平均和微平均 | 第26-27页 |
| ·平衡点和F测量 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 贝叶斯网络的表示与学习 | 第29-36页 |
| ·贝叶斯网络表示 | 第29-31页 |
| ·贝叶斯网络学习 | 第31-35页 |
| ·参数学习 | 第32-33页 |
| ·结构学习 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 4 基于TAN的文本分类 | 第36-57页 |
| ·TAN模型及构造算法 | 第36-38页 |
| ·TAN模型 | 第36-37页 |
| ·TAN构造算法 | 第37-38页 |
| ·TAN模型用于文本分类 | 第38-41页 |
| ·TAN构造算法的改进 | 第38-40页 |
| ·TAN文本分类模型BL-TAN | 第40-41页 |
| ·实验语料说明 | 第41-43页 |
| ·TAN文本分类模型的改进之一——BNL-TAN | 第43-46页 |
| ·BNL-TAN的提出 | 第43页 |
| ·实验结果与分析 | 第43-46页 |
| ·TAN文本分类模型的改进之二——MUL-TAN | 第46-49页 |
| ·MUL-TAN的提出 | 第46-47页 |
| ·实验结果与分析 | 第47-49页 |
| ·TAN文本分类模型的改进之三——ATAN | 第49-54页 |
| ·MUL-TAN取不同阈值下的分类性能 | 第49-51页 |
| ·ATAN的提出 | 第51-53页 |
| ·实验结果及分析 | 第53-54页 |
| ·ATAN与几种经典的文本分类算法对比 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 5 基于TAN集成的文本分类 | 第57-70页 |
| ·集成学习的理论基础 | 第57-60页 |
| ·集成学习基本概念 | 第57-58页 |
| ·集成学习的作用 | 第58页 |
| ·集成学习的框架 | 第58-60页 |
| ·基于数据的集成方法 | 第60-63页 |
| ·Boosting算法 | 第60-62页 |
| ·Bagging算法 | 第62-63页 |
| ·基于特征集的集成方法 | 第63-64页 |
| ·基于TAN的集成学习模型 | 第64-67页 |
| ·TAN集成模型之一——AdaM1-TAN | 第64-65页 |
| ·TAN集成模型之二——EBag-TAN | 第65-67页 |
| ·TAN集成模型之三——FRS-TAN | 第67页 |
| ·实验结果及分析 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| ·全文总结 | 第70-71页 |
| ·下一步工作展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 作者简历 | 第78-80页 |
| 学位论文数据集 | 第80页 |
