| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.2.1 信息过滤 | 第11页 |
| 1.2.2 网页分类 | 第11页 |
| 1.2.3 文本索引 | 第11-12页 |
| 1.2.4 词义辨析 | 第12页 |
| 1.3 研究现状 | 第12-14页 |
| 1.4 本文的主要研究内容 | 第14-15页 |
| 第二章 相关研究技术 | 第15-31页 |
| 2.1 问题描述 | 第15-16页 |
| 2.2 中文分词技术 | 第16-20页 |
| 2.2.1 基本问题 | 第16-17页 |
| 2.2.2 基本分词方法 | 第17-20页 |
| 2.3 文本表示 | 第20-23页 |
| 2.3.1 向量空间模型 | 第20-21页 |
| 2.3.2 概率模型 | 第21-23页 |
| 2.3.3 概念模型 | 第23页 |
| 2.4 特征选择算法 | 第23-26页 |
| 2.4.1 基于DF的特征提取法 | 第24页 |
| 2.4.2 信息增益法 | 第24-25页 |
| 2.4.3 χ~2统计量 | 第25-26页 |
| 2.5 特征权重算法 | 第26-28页 |
| 2.6 常见经典分类算法 | 第28-29页 |
| 2.6.1 朴素贝叶斯算法 | 第28-29页 |
| 2.6.2 支持向量机(SVM) | 第29页 |
| 2.6.3 决策树分类算法(decision tree) | 第29页 |
| 2.7 分类的评价 | 第29-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第三章 基于逻辑斯特回归的微信公众号分类 | 第31-42页 |
| 3.1 逻辑斯特回归与Liblinear开源工具 | 第32页 |
| 3.1.1 逻辑斯特回归模型 | 第32页 |
| 3.1.2 Liblinear工具包 | 第32页 |
| 3.2 文本预处理 | 第32-34页 |
| 3.2.1 k-means聚类算法 | 第32-33页 |
| 3.2.2 预处理过程 | 第33-34页 |
| 3.2.3 特征选择与权重计算 | 第34页 |
| 3.3 训练过程 | 第34-35页 |
| 3.4 测试过程 | 第35-36页 |
| 3.5 实验与分析 | 第36-40页 |
| 3.5.1 试验评价标准 | 第36-37页 |
| 3.5.2 实验设计 | 第37-39页 |
| 3.5.3 结果分析 | 第39-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于语义增强的微信公众号分类 | 第42-52页 |
| 4.1 主题模型 | 第42-46页 |
| 4.1.1 隐含狄利克雷分布 | 第43-44页 |
| 4.1.2 JGibbLDA | 第44-46页 |
| 4.2 数据预处理 | 第46-47页 |
| 4.3 实验设计与结果分析 | 第47-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 文章总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间参加的科研项目与公开发表的学术论文 | 第57-58页 |
| 致谢 | 第58页 |