基于主题模型的中文文本分类相关技术研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 选题背景和研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 LDA主题模型研究现状 | 第12-13页 |
| 1.2.2 文本相似度计算研究现状 | 第13-15页 |
| 1.2.3 文本分类研究现状 | 第15-17页 |
| 1.3 本文主要的研究内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第2章 LDA主题模型介绍 | 第20-30页 |
| 2.1 统计主题模型简介 | 第20-26页 |
| 2.1.1 TF-IDF模型 | 第21-22页 |
| 2.1.2 一元混合模型 | 第22-23页 |
| 2.1.3 LSI模型 | 第23-24页 |
| 2.1.4 PLSI模型 | 第24-26页 |
| 2.2 LDA主题模型主要思想 | 第26-27页 |
| 2.3 LDA主题模型抽象算法 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于LDA主题模型的文本相似度计算 | 第30-44页 |
| 3.1 引言 | 第30-31页 |
| 3.2 相关工作 | 第31-32页 |
| 3.3 文本相似度计算模型 | 第32-33页 |
| 3.3.1 相似度介绍 | 第32页 |
| 3.3.2 相似算法 | 第32-33页 |
| 3.4 相似度计算方法 | 第33-37页 |
| 3.4.1 基于VSM的TF-IDF方法 | 第33-34页 |
| 3.4.2 隐性语义索引方法 | 第34-36页 |
| 3.4.3 基于汉明距离的文本相似度计算方法 | 第36-37页 |
| 3.4.4 基于语义理解的文本相似度计算方法 | 第37页 |
| 3.5 LDA主题模型下的文本相似度计算 | 第37-38页 |
| 3.6 实验设计与结果分析 | 第38-42页 |
| 3.6.1 语料选择 | 第38-39页 |
| 3.6.2 评价方法 | 第39页 |
| 3.6.3 实验步骤 | 第39-41页 |
| 3.6.4 实验结果分析 | 第41-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第4章 基于LDA主题模型的SVM文本分类 | 第44-60页 |
| 4.1 引言 | 第44-45页 |
| 4.2 相关工作 | 第45页 |
| 4.3 文本分类算法 | 第45-51页 |
| 4.3.1 决策树算法 | 第45-47页 |
| 4.3.2 K近邻算法 | 第47-48页 |
| 4.3.3 贝叶斯算法 | 第48页 |
| 4.3.4 支持向量机算法 | 第48-51页 |
| 4.4 LDA与SVM相结合的文本分类方法 | 第51-58页 |
| 4.4.1 2类SVM分类 | 第51-52页 |
| 4.4.2 多类SVM分类 | 第52-55页 |
| 4.4.3 Libsvm简介 | 第55-56页 |
| 4.4.4 分类过程 | 第56-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第5章 文本分类实验设置与结果分析 | 第60-68页 |
| 5.1 数据集选择 | 第60页 |
| 5.2 LDA主题模型初始参数取值 | 第60-61页 |
| 5.3 最优主题数选择方法 | 第61-62页 |
| 5.4 评价方法 | 第62-64页 |
| 5.5 结果分析 | 第64-66页 |
| 5.6 本章小结 | 第66-68页 |
| 结论与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间所发表的学术论文 | 第74-76页 |
| 致谢 | 第76页 |
