| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-30页 |
| 1.1 研究的问题与意义 | 第15-20页 |
| 1.1.1 相关概念 | 第17-18页 |
| 1.1.2 任务定义 | 第18-20页 |
| 1.2 国内外研究现状 | 第20-27页 |
| 1.2.1 共性技术及研究现状 | 第20-25页 |
| 1.2.2 目前存在的问题 | 第25-27页 |
| 1.3 本文的研究内容 | 第27-28页 |
| 1.4 论文的结构安排 | 第28-30页 |
| 第2章 面向文本分类问题的划分和描述体系 | 第30-41页 |
| 2.1 当前的文本分类划分体系 | 第31-33页 |
| 2.2 对文本分类方法的三维划分体系 | 第33-34页 |
| 2.3 扩展的文本分类模型描述架构 | 第34-37页 |
| 2.4 文本分类问题的进一步讨论 | 第37-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第3章 基于向量空间模型的层次化文本分类技术 | 第41-58页 |
| 3.1 基于支持向量机和决策树的文本分类方法 | 第41-45页 |
| 3.1.1 基于支持向量机的文本分类方法 | 第42-43页 |
| 3.1.2 基于决策树的文本分类方法 | 第43-45页 |
| 3.2 SVM决策树的构建策略 | 第45-47页 |
| 3.2.1 决策树的构造方式 | 第45-46页 |
| 3.2.2 样本集规模的影响 | 第46页 |
| 3.2.3 决策树的结构形式 | 第46-47页 |
| 3.2.4 类间相似度的影响 | 第47页 |
| 3.3 多策略融合的SVM决策树构建算法 | 第47-51页 |
| 3.4 基于SVM决策树的文本分类方法 | 第51-53页 |
| 3.5 文本分类实验及分析 | 第53-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第4章 面向动态文本集的话题参数获取方法 | 第58-73页 |
| 4.1 LDA和ILDA模型介绍 | 第62-65页 |
| 4.1.1 LDA模型简介 | 第62-63页 |
| 4.1.2 ILDA模型简介 | 第63-65页 |
| 4.2 动态话题数下的话题演化分析 | 第65-68页 |
| 4.2.1 基于Gibbs采样的ILDA话题数获取算法 | 第65-67页 |
| 4.2.2 话题关联度计算、阈值确定和文本集处理方法 | 第67-68页 |
| 4.3 基于ILDA模型的话题数目和话题演化实验 | 第68-72页 |
| 4.3.1 NIPS语料上话题数的确定实验 | 第68-69页 |
| 4.3.2 关于“神九”报道的话题演化分析 | 第69-72页 |
| 4.4 本章小结 | 第72-73页 |
| 第5章 融合动静特征的自适应话题模型 | 第73-85页 |
| 5.1 话题倾斜问题的现有处理方法 | 第74-75页 |
| 5.2 动静结合的自适应话题模型 | 第75-78页 |
| 5.3 基于重采样的模型参数获取算法 | 第78-79页 |
| 5.4 基于自适应话题模型的文本分类和话题演化实验 | 第79-84页 |
| 5.4.1 NIPS语料上的话题参数对比实验 | 第80-81页 |
| 5.4.2 汉语文本集上的话题演化分析实验 | 第81-84页 |
| 5.5 本章小结 | 第84-85页 |
| 第6章 热点话题处理架构 | 第85-97页 |
| 6.1 热点话题处理架构 | 第85-86页 |
| 6.2 数据采集模块 | 第86-88页 |
| 6.3 热点知识库构建模块 | 第88-90页 |
| 6.4 热点话题识别模块 | 第90-93页 |
| 6.5 热点话题跟踪模块 | 第93-94页 |
| 6.6 热点话题演化模块 | 第94-95页 |
| 6.7 本章小结 | 第95-97页 |
| 总结与展望 | 第97-99页 |
| 参考文献 | 第99-110页 |
| 攻读学位期间发表论文与研究成果清单 | 第110-111页 |
| 致谢 | 第111-112页 |
| 作者简介 | 第112页 |
