| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 相关技术与理论 | 第16-32页 |
| 2.1 词袋模型（BoW） | 第16页 |
| 2.2 特征提取算法 | 第16-20页 |
| 2.2.1 文档频率（DF） | 第16-17页 |
| 2.2.2 信息增益（IG） | 第17-18页 |
| 2.2.3 互信息（MI） | 第18-19页 |
| 2.2.4 X2统计量（CHI） | 第19页 |
| 2.2.5 小结 | 第19-20页 |
| 2.3 特征词加权算法 | 第20-23页 |
| 2.3.1 布尔（Boolean）权重 | 第20页 |
| 2.3.2 词频（TF）权重 | 第20-21页 |
| 2.3.3 TF—IDF权重 | 第21-22页 |
| 2.3.4 信息熵权重 | 第22-23页 |
| 2.3.5 小结 | 第23页 |
| 2.4 相似度计算方法 | 第23-27页 |
| 2.4.1 欧式距离 | 第23-24页 |
| 2.4.2 夹角余弦距离 | 第24-25页 |
| 2.4.3 向量的内积 | 第25页 |
| 2.4.4 汉明距离 | 第25-26页 |
| 2.4.5 马氏距离 | 第26页 |
| 2.4.6 小结 | 第26-27页 |
| 2.5 文档分类算法 | 第27-31页 |
| 2.5.1 k邻近分类(kNN) | 第27-28页 |
| 2.5.2 支持向量机分类(SVM) | 第28-29页 |
| 2.5.3 朴素贝叶斯分类(Naive Bayesian) | 第29-30页 |
| 2.5.4 小结 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于word2vec的文档向量降维方法 | 第32-44页 |
| 3.1 word2vec | 第32页 |
| 3.2 基于word2vec的文档向量降维 | 第32-38页 |
| 3.2.1 预处理 | 第34-35页 |
| 3.2.2 特征词袋的初步建立 | 第35页 |
| 3.2.3 特征词袋浓缩 | 第35-37页 |
| 3.2.4 文档向量的建立 | 第37-38页 |
| 3.3 实验设计与分析 | 第38-42页 |
| 3.3.1 实验数据 | 第38-39页 |
| 3.3.2 评价指标 | 第39页 |
| 3.3.3 实验环境 | 第39-40页 |
| 3.3.4 实验结果分析 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于特征词位置和词性自适应权重的TF-IDF算法的改进 | 第44-52页 |
| 4.1 经典的TF-IDF | 第44-45页 |
| 4.2 引入词位置自适应权重 | 第45-46页 |
| 4.3 引入词性自适应权重 | 第46-47页 |
| 4.4 实验设计与分析 | 第47-51页 |
| 4.4.1 实验设计 | 第47-49页 |
| 4.4.2 实验环境 | 第49页 |
| 4.4.3 实验结果分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于LSH的海量中文文档去重 | 第52-64页 |
| 5.1 LSH | 第52-53页 |
| 5.2 基于LSH的海量中文文档去重 | 第53-59页 |
| 5.2.1 哈希函数的选择 | 第53-57页 |
| 5.2.2 基于二进制哈希码的查找与对比 | 第57-59页 |
| 5.3 实验设计与分析 | 第59-62页 |
| 5.3.1 实验设计 | 第59-60页 |
| 5.3.2 实验环境 | 第60-61页 |
| 5.3.3 实验结果及分析 | 第61-62页 |
| 5.4 本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间获得的科研成果 | 第70-72页 |
| 致谢 | 第72页 |