| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-15页 |
| ·论文研究的背景及意义 | 第10页 |
| ·国内外研究现状 | 第10-13页 |
| ·文本分类研究现状 | 第10-11页 |
| ·支持向量机研究现状 | 第11-12页 |
| ·粒子群算法研究现状 | 第12-13页 |
| ·本文研究内容与组织结构 | 第13-15页 |
| ·本文研究内容 | 第13-14页 |
| ·本文组织结构 | 第14-15页 |
| 第二章 文本分类的关键技术分析 | 第15-31页 |
| ·文本分类的基本概念 | 第15-16页 |
| ·文本分类问题描述 | 第15页 |
| ·文本分类的实现途径 | 第15页 |
| ·文本分类流程 | 第15-16页 |
| ·文本表示模型 | 第16-19页 |
| ·布尔模型 | 第17页 |
| ·概率模型 | 第17页 |
| ·向量空间模型 | 第17-19页 |
| ·文本特征选择 | 第19-20页 |
| ·文本特征项 | 第19-20页 |
| ·特征选择 | 第20页 |
| ·文本分类器 | 第20-27页 |
| ·文本分类器性能评价指标 | 第20-21页 |
| ·典型文本分类算法分析与比较 | 第21-25页 |
| ·支持向量机的核函数 | 第25-27页 |
| ·实验与分析 | 第27-30页 |
| ·分类方法对比实验 | 第27-29页 |
| ·核函数及参数对比实验 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 中文自动分词 | 第31-42页 |
| ·中文分词现状 | 第31-32页 |
| ·典型分词系统 | 第31页 |
| ·中文分词研究面临的困难 | 第31-32页 |
| ·中文分词方法 | 第32-36页 |
| ·基于词典的机械分词算法 | 第33页 |
| ·基于理解的分词算法 | 第33-34页 |
| ·基于统计的分词算法 | 第34页 |
| ·一种改进的逆向最大匹配分词算法 | 第34-36页 |
| ·分词词典设计 | 第36-38页 |
| ·传统分词词典的弊端 | 第36-37页 |
| ·改进的分词词典机制 | 第37-38页 |
| ·分词系统实现 | 第38-39页 |
| ·预处理阶段 | 第38页 |
| ·分词阶段 | 第38-39页 |
| ·结果处理阶段 | 第39页 |
| ·实验及分析 | 第39-41页 |
| ·准确性分析 | 第40页 |
| ·效率性分析 | 第40页 |
| ·实验结果分析 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 文本分类中的特征选择 | 第42-49页 |
| ·特征选择概述 | 第42-43页 |
| ·特征选择的意义 | 第42页 |
| ·特征选择的研究方法 | 第42-43页 |
| ·特征选择方法 | 第43-46页 |
| ·文档频率 | 第43页 |
| ·信息增益 | 第43-44页 |
| ·互信息 | 第44页 |
| ·χ~2 估计 | 第44-45页 |
| ·期望交叉熵 | 第45页 |
| ·文本证据权 | 第45页 |
| ·典型特征选择方法比较 | 第45-46页 |
| ·改进后的特征选取方法——基于类别的特征选择算法 | 第46-47页 |
| ·实验与分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 基于 PSO-SVM 算法的文本分类 | 第49-59页 |
| ·SVM 的参数选择机制 | 第49-50页 |
| ·粒子群算法 | 第50-52页 |
| ·PSO 算法的基本原理 | 第50-51页 |
| ·连续 PSO 算法 | 第51-52页 |
| ·基于粒子群算法的特征选择和支持向量机参数同步优化算法 | 第52-56页 |
| ·粒子的设计 | 第54-55页 |
| ·适应度函数的设计 | 第55页 |
| ·PSO—SVM 算法 | 第55-56页 |
| ·实验与分析 | 第56-58页 |
| ·优化 SVM 分类算法实验 | 第56-57页 |
| ·分类结果及分析 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| ·本文总结 | 第59页 |
| ·工作展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 个人简介 | 第67页 |