基于主题模型的新闻标题分类方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·文本分类的国外研究现状 | 第11-12页 |
| ·文本分类国内研究现状 | 第12-13页 |
| ·新闻标题的文本特点 | 第13页 |
| ·本文主要工作 | 第13-14页 |
| ·文章组织结构 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 短文本分类相关理论概述 | 第16-28页 |
| ·文本分类流程 | 第16-17页 |
| ·文本预处理 | 第17-19页 |
| ·特征提取 | 第19-22页 |
| ·文档频率(DF) | 第20页 |
| ·信息增益(IG) | 第20-21页 |
| ·互信息(MI) | 第21页 |
| ·卡方统计量(CHI) | 第21-22页 |
| ·期望交叉熵(ECE) | 第22页 |
| ·文本表示 | 第22-24页 |
| ·布尔模型 | 第22-23页 |
| ·概率模型 | 第23页 |
| ·向量空间模型 | 第23页 |
| ·一主题模型 | 第23-24页 |
| ·特征权重计算 | 第24-25页 |
| ·词频权重(TF) | 第24页 |
| ·TF-IDF权重 | 第24-25页 |
| ·常见文本分类算法 | 第25-27页 |
| ·朴素贝叶斯分类算法(NB) | 第25-26页 |
| ·类中心点分类算法(Rocchio) | 第26页 |
| ·K最近邻分类算法(KNN) | 第26-27页 |
| ·支持向量机分类算法(SVM) | 第27页 |
| ·本章小结 | 第27-28页 |
| 第三章 主题模型 | 第28-40页 |
| ·主题模型简介 | 第28-29页 |
| ·传统主题模型 | 第29-32页 |
| ·LSI模型 | 第29-30页 |
| ·PLSI主题模型 | 第30-31页 |
| ·一元混合模型 | 第31-32页 |
| ·LDA主题模型 | 第32-35页 |
| ·LDA模型表示 | 第32-34页 |
| ·LDA模型参数估计 | 第34页 |
| ·JGibbLDA介绍 | 第34-35页 |
| ·BTM主题模型 | 第35-39页 |
| ·BTM模型表示 | 第36-37页 |
| ·BTM模型参数估计 | 第37-38页 |
| ·BTM模型使用介绍 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于主题模型的新闻标题分类方法研究 | 第40-59页 |
| ·实验环境与实验流程 | 第40页 |
| ·实验语料库及预处理 | 第40-44页 |
| ·语料库的获取 | 第40-41页 |
| ·评估标准 | 第41-42页 |
| ·数据预处理以及新闻领域词典的使用 | 第42-43页 |
| ·新闻领域词典对分类结果的影响实验 | 第43-44页 |
| ·基于TF-IDF方法的不足 | 第44-46页 |
| ·基于LDA主题模型的新闻标题分类实验 | 第46-49页 |
| ·最优主题个数选取实验 | 第46-47页 |
| ·基于LDA模型的不同分类算法对比实验 | 第47-49页 |
| ·基于BTM主题模型的新闻标题分类实验 | 第49-52页 |
| ·最优主题个数选取实验 | 第49-50页 |
| ·基于BTM模型的不同分类算法对比实验 | 第50-52页 |
| ·TF-IDF、LDA、BTM三种方法对比实验 | 第52-53页 |
| ·关于民生类新闻的细分类研究 | 第53-57页 |
| ·基于BTM模型的细分类算法对比实验 | 第53-55页 |
| ·TF-IDF与BTM模型相结合的实验 | 第55-56页 |
| ·民生类新闻的细分类方法对比实验 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| ·本文总结 | 第59-60页 |
| ·未来展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67页 |
