| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文内容及组织结构 | 第12-14页 |
| 第2章 文本分类技术 | 第14-20页 |
| 2.1 文本分类概述 | 第14页 |
| 2.2 文本预处理 | 第14-16页 |
| 2.2.1 文本分词 | 第14-15页 |
| 2.2.2 去停用词 | 第15页 |
| 2.2.3 文本表示模型 | 第15-16页 |
| 2.3 文本特征选择 | 第16页 |
| 2.4 文本分类算法 | 第16-18页 |
| 2.5 分类性能评估 | 第18-19页 |
| 2.6 本章小结 | 第19-20页 |
| 第3章 基于信息增益的文本特征选择方法 | 第20-34页 |
| 3.1 文本特征选择 | 第20-23页 |
| 3.1.1 概述 | 第20页 |
| 3.1.2 常用的特征选择方法 | 第20-23页 |
| 3.2 改进的信息增益特征选择方法 | 第23-27页 |
| 3.2.1 词频因子 | 第23-24页 |
| 3.2.2 未出现概率因子 | 第24-25页 |
| 3.2.3 地理相关因子 | 第25-27页 |
| 3.3 实验与分析 | 第27-33页 |
| 3.3.1 实验环境 | 第27页 |
| 3.3.2 实验过程 | 第27-30页 |
| 3.3.3 实验结果分析 | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于人工蜂群和模拟退火的k最邻近分类算法 | 第34-52页 |
| 4.1 k最邻近算法 | 第34-36页 |
| 4.1.1 传统的k最邻近算法 | 第34-35页 |
| 4.1.2 k最邻近算法的优缺点 | 第35-36页 |
| 4.2 基于人工蜂群和模拟退火的k最邻近分类算法 | 第36-44页 |
| 4.2.1 改进的k最邻近算法思想 | 第36-38页 |
| 4.2.2 人工蜂群和模拟退火与k最邻近算法的结合 | 第38-40页 |
| 4.2.3 改进的k最邻近算法过程 | 第40-44页 |
| 4.3 实验与分析 | 第44-50页 |
| 4.3.1 实验环境 | 第44页 |
| 4.3.2 实验参数设置 | 第44-45页 |
| 4.3.3 实验结果分析 | 第45-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 基于选举模型的自动文本摘要 | 第52-66页 |
| 5.1 自动文本摘要 | 第52-53页 |
| 5.1.1 自动文本摘要介绍 | 第52页 |
| 5.1.2 自动文本摘要分类 | 第52-53页 |
| 5.2 基于选举模型的自动文本摘要 | 第53-60页 |
| 5.2.1 选举模型 | 第53-54页 |
| 5.2.2 基于选举模型的自动文本摘要 | 第54-60页 |
| 5.3 实验与分析 | 第60-64页 |
| 5.3.1 实验环境 | 第60-61页 |
| 5.3.2 实验过程 | 第61-62页 |
| 5.3.3 实验结果分析 | 第62-64页 |
| 5.4 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73页 |