M3-kNN网络方法研究及其在文本分类中的应用
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 符号说明 | 第5-8页 |
| 第一章 引言 | 第8-14页 |
| 1.1 研究背景 | 第8-11页 |
| 1.1.1 基于统计的自然语言处理 | 第8-9页 |
| 1.1.2 自动文本分类应用 | 第9-11页 |
| 1.1.3 模块化网络组合机器学习 | 第11页 |
| 1.2 本文研究的主要内容及其意义 | 第11-12页 |
| 1.3 本文的结构及其章节安排 | 第12-14页 |
| 第二章 最小最大模块化分类器 | 第14-22页 |
| 2.1 最小最大模块化网络 | 第14页 |
| 2.2 算法过程描述 | 第14-20页 |
| 2.2.1 任务分解 | 第15-16页 |
| 2.2.2 分类器学习 | 第16-17页 |
| 2.2.3 模块组合 | 第17-20页 |
| 2.3 最小最大模块化分类器的特点 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 最小最大模块化K-NN算法 | 第22-27页 |
| 3.1 K最近邻算法及其发展 | 第22-23页 |
| 3.2 K最近邻算法过程描述 | 第23页 |
| 3.3 M3-kNN算法过程描述 | 第23-24页 |
| 3.4 M3-kNN算法特点 | 第24-26页 |
| 3.4.1 分类性能 | 第25页 |
| 3.4.2 分类精度 | 第25-26页 |
| 3.5 本章小结 | 第26-27页 |
| 第四章 M3-KNN算法中投票方法的应用 | 第27-42页 |
| 4.1 投票方法的应用 | 第27-28页 |
| 4.2 传统投票方法 | 第28-30页 |
| 4.2.1 线性投票方法 | 第28页 |
| 4.2.2 倒数投票方法 | 第28-29页 |
| 4.2.3 等级投票方法 | 第29页 |
| 4.2.4 高斯投票方法 | 第29页 |
| 4.2.5 四种投票方法的总结 | 第29-30页 |
| 4.3 新的投票方法设计与改进 | 第30-32页 |
| 4.3.1 改进思路 | 第30页 |
| 4.3.2 高斯与等级组合 | 第30-31页 |
| 4.3.3 高斯与线性组合 | 第31页 |
| 4.3.4 等级与线性组合 | 第31页 |
| 4.3.5 高斯与倒数的组合 | 第31-32页 |
| 4.4 实验 | 第32-41页 |
| 4.4.1 实验设置 | 第32-33页 |
| 4.4.2 评价方法 | 第33-34页 |
| 4.4.3 实验步骤和结果 | 第34-40页 |
| 4.4.4 实验结论分析 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 总结与展望 | 第42-49页 |
| 5.1 本文的工作回顾 | 第42页 |
| 5.2 实验总结 | 第42-43页 |
| 5.3 专利文本分类应用 | 第43-47页 |
| 5.3.1 专利文本自动分类问题 | 第43-44页 |
| 5.3.2 IPC专利分类的特点和问题 | 第44-47页 |
| 5.3.3 专利分类应用总结 | 第47页 |
| 5.4 后续工作 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 攻读学位期间发表与录用的学术论文 | 第53-55页 |
