文本特征选择算法研究及其在微博上的应用
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 论文内容及组织结构 | 第17-18页 |
| 1.3.1 本文研究的内容 | 第17页 |
| 1.3.2 本文的组织结构 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 文本分类相关理论知识 | 第19-61页 |
| 2.1 文本分类的概述 | 第19-22页 |
| 2.1.1 文本分类的定义 | 第19-21页 |
| 2.1.2 文本分类的特点 | 第21-22页 |
| 2.2 文本分类的流程 | 第22-24页 |
| 2.3 文本分类的预处理过程 | 第24-30页 |
| 2.3.1 中文分词 | 第25-29页 |
| 2.3.2 过滤停用词 | 第29-30页 |
| 2.4 文本检索模型 | 第30-36页 |
| 2.4.1 布尔模型 | 第30-31页 |
| 2.4.2 向量空间模型 | 第31-32页 |
| 2.4.3 概率模型 | 第32-33页 |
| 2.4.4 LDA主题模型 | 第33-36页 |
| 2.5 常用的文本分类方法 | 第36-54页 |
| 2.5.1 决策树分类算法 | 第38-43页 |
| 2.5.2 朴素贝叶斯分类算法 | 第43-47页 |
| 2.5.3 KNN分类算法 | 第47-50页 |
| 2.5.4 支持向量机分类算法 | 第50-54页 |
| 2.6 微博数据采集 | 第54-60页 |
| 2.6.1 微博介绍 | 第54-55页 |
| 2.6.2 微博数据爬取 | 第55-60页 |
| 2.7 本章小结 | 第60-61页 |
| 第三章 文本特征选择方法 | 第61-67页 |
| 3.1 文本特征选择概述 | 第61页 |
| 3.2 文本特征选择的作用 | 第61-62页 |
| 3.3 常用的特征选择方法 | 第62-66页 |
| 3.3.1 统计量（CHI）特征选择方法 | 第62-63页 |
| 3.3.2 互信息（MI）特征选择方法 | 第63-64页 |
| 3.3.3 文档频率（DF）特征选择方法 | 第64-65页 |
| 3.3.4 信息增益（IG）特征选择方法 | 第65-66页 |
| 3.4 上述特征选择方法的简单总结 | 第66页 |
| 3.5 本章小结 | 第66-67页 |
| 第四章 基于改进的CHI特征选择方法 | 第67-78页 |
| 4.1 简单概述 | 第67-68页 |
| 4.2 特征选择方法 | 第68-71页 |
| 4.2.1 传统的特征选择方法 | 第68-69页 |
| 4.2.2 改进的特征选择方法 | 第69-71页 |
| 4.3 改进的特征项权重算法 | 第71-73页 |
| 4.4 实验结果与分析 | 第73-77页 |
| 4.4.1 实验环境 | 第73页 |
| 4.4.2 实验数据 | 第73页 |
| 4.4.3 分类效果评估 | 第73-74页 |
| 4.4.4 实验过程与结果 | 第74-77页 |
| 4.5 本章小结 | 第77-78页 |
| 第五章 基于我校微博数据统计分析及其可视化 | 第78-89页 |
| 5.1 概述 | 第78-80页 |
| 5.2 统计分析方法 | 第80-83页 |
| 5.2.1 基于词频的文本可视化 | 第80页 |
| 5.2.2 高频词统计计算公式 | 第80-82页 |
| 5.2.3 高频词统计分析的过程 | 第82页 |
| 5.2.4 词云 | 第82-83页 |
| 5.3 我校微博数据统计分析及其可视化 | 第83-88页 |
| 5.3.1 我校微博数据统计基本方法 | 第83-85页 |
| 5.3.2 我校微博数据挖掘结果可视化及其改进 | 第85-88页 |
| 5.4 本章小结 | 第88-89页 |
| 第六章 总结和展望 | 第89-91页 |
| 6.1 总结 | 第89-90页 |
| 6.2 下一步工作 | 第90-91页 |
| 参考文献 | 第91-96页 |
| 致谢 | 第96-97页 |
| 在校期间参与的项目和录用的文章 | 第97页 |
