| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外文本分类研究分析 | 第9-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 2 文本分类相关理论和技术研究 | 第14-24页 |
| 2.1 文本预处理 | 第14-15页 |
| 2.2 文本的表示 | 第15-18页 |
| 2.2.1 布尔模型 | 第15页 |
| 2.2.2 向量空间模型 | 第15-17页 |
| 2.2.3 概率推理模型 | 第17页 |
| 2.2.4 语义概念模型 | 第17-18页 |
| 2.3 经典的文本分类算法研究 | 第18-23页 |
| 2.3.1 决策树 | 第18-20页 |
| 2.3.2 朴素贝叶斯 | 第20-21页 |
| 2.3.3 支持向量机 | 第21-22页 |
| 2.3.4 主题模型 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于LDA的弱监督文本分类算法VB-LDA | 第24-36页 |
| 3.1 LDA | 第24-28页 |
| 3.1.1 相关概率分布 | 第24-25页 |
| 3.1.2 生成模型的文本建模 | 第25-28页 |
| 3.2 参数估计和Gibbs抽样 | 第28-29页 |
| 3.3 基于LDA改进的文档生成模型 | 第29-31页 |
| 3.4 主题高频词和类别代表词的获取 | 第31-33页 |
| 3.5 基于距离度量的文本分类算法 | 第33-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 实验结果与分析 | 第36-43页 |
| 4.1 数据来源 | 第36-37页 |
| 4.2 距离度量的试验结果 | 第37-38页 |
| 4.3 LDA改进模型和原模型的试验对比结果 | 第38-39页 |
| 4.4 VB-LDA和Classify-LDA以及SVM的试验结果对比 | 第39-41页 |
| 4.5 VB-LDA和bRNN的试验结果对比 | 第41-42页 |
| 4.6 本章小结 | 第42-43页 |
| 5 总结与展望 | 第43-45页 |
| 5.1 总结 | 第43-44页 |
| 5.2 展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 个人简历和在校期间的研究成果 | 第48-49页 |
| 个人简历 | 第48页 |
| 研究成果 | 第48页 |
| 参与项目 | 第48-49页 |
| 致谢 | 第49页 |