文本分类算法的研究与改进
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·背景介绍 | 第7页 |
| ·国内外文本分类研究动态 | 第7-8页 |
| ·本文主要研究工作 | 第8-9页 |
| ·论文的组织 | 第9-11页 |
| 第二章 数据挖掘 | 第11-21页 |
| ·数据挖掘 | 第11-14页 |
| ·数据挖掘的定义 | 第11-12页 |
| ·数据挖掘研究的内容 | 第12-13页 |
| ·数据挖掘系统结构 | 第13-14页 |
| ·数据挖掘的趋势 | 第14-15页 |
| ·文本挖掘 | 第15-17页 |
| ·文本挖掘的定义 | 第15-16页 |
| ·文本挖掘的分类 | 第16-17页 |
| ·文本分类 | 第17页 |
| ·文本分类系统现存问题 | 第17-19页 |
| ·文本分类的趋势 | 第19-21页 |
| 第三章 文本分类技术概述 | 第21-37页 |
| ·文本分类的定义 | 第21页 |
| ·文本分类的应用 | 第21-22页 |
| ·文本分类过程 | 第22-26页 |
| ·文本预处理 | 第23页 |
| ·文本表示的模型 | 第23-24页 |
| ·维数约减 | 第24-26页 |
| ·特征匹配和分类 | 第26-27页 |
| ·主流文本分类方法 | 第27-31页 |
| ·Rocchio方法 | 第27页 |
| ·简单向量距离分类法 | 第27-28页 |
| ·贝叶斯方法Naive Bayes | 第28页 |
| ·K最邻近方法KNN | 第28页 |
| ·决策树方法 | 第28-29页 |
| ·支持向量机SVM | 第29-30页 |
| ·神经网络方法 | 第30页 |
| ·粗糙集方法 | 第30-31页 |
| ·按时间排序的另外一些分类方法 | 第31页 |
| ·分类器评价标准 | 第31-37页 |
| ·训练集和测试集 | 第31-32页 |
| ·查全率和查对率 | 第32-34页 |
| ·BEP和F_β | 第34-37页 |
| 第四章 一种改进的朴素贝叶斯文本分类方法 | 第37-49页 |
| ·朴素贝叶斯文本分类方法 | 第37-39页 |
| ·特征项对文本分类的影响 | 第39页 |
| ·特征项相关性的度量工具 | 第39-42页 |
| ·互信息 | 第40-41页 |
| ·利用互信息差值度量特征项之间的相关性 | 第41-42页 |
| ·改进的朴素贝叶斯文本分类方法 | 第42-47页 |
| ·特征提取算法描述 | 第42-43页 |
| ·主要分类算法描述 | 第43-45页 |
| ·改进贝叶斯分类算法代码框架 | 第45-47页 |
| ·结论 | 第47-49页 |
| 第五章 改进分类系统的模型与实现 | 第49-59页 |
| ·分类系统的设计 | 第49-54页 |
| ·分类系统设计需要考虑的主要因素 | 第49页 |
| ·分类系统模型的设计 | 第49-53页 |
| ·分类系统的具体实现 | 第53-54页 |
| ·实验与分析 | 第54-59页 |
| ·实验结果 | 第54-57页 |
| ·实验结论 | 第57-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 研究成果 | 第67页 |
