| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第一章 绪论 | 第13-32页 |
| ·课题背景及意义 | 第13-17页 |
| ·相关研究 | 第17-29页 |
| ·特征提取 | 第17-20页 |
| ·特征选择 | 第20-23页 |
| ·文本分类 | 第23-29页 |
| ·本文的主要研究内容 | 第29-30页 |
| ·本文的组织 | 第30-32页 |
| 第二章 基于句子成分的文本特征提取 | 第32-42页 |
| ·特征选择的结果分析 | 第32-37页 |
| ·特征词及特征值的差异 | 第32-33页 |
| ·特征词的词性分布 | 第33-35页 |
| ·句法分析的相关研究 | 第35-37页 |
| ·基于句子成分的特征提取 | 第37-40页 |
| ·句子成分标注 | 第37-38页 |
| ·候选特征集构建 | 第38-39页 |
| ·基于句子成分的特征提取算法 | 第39-40页 |
| ·实验及结果分析 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 文本特征选择 | 第42-73页 |
| ·特征选择研究的相关内容 | 第42-46页 |
| ·文本分类目标函数 | 第43页 |
| ·分类偏差问题 | 第43-45页 |
| ·特征选择存在的问题 | 第45-46页 |
| ·均衡特征选择算法 | 第46-53页 |
| ·均衡特征分布 | 第46-48页 |
| ·均衡特征选择函数 | 第48-50页 |
| ·均衡特征选择算法实现 | 第50-51页 |
| ·实验及结果分析 | 第51-53页 |
| ·本节小结 | 第53页 |
| ·特征词的权值研究 | 第53-59页 |
| ·特征词权值 | 第54页 |
| ·权值计算的相关因素 | 第54-56页 |
| ·类别数目对特征词权值的影响 | 第56-57页 |
| ·实验及结果分析 | 第57-59页 |
| ·特征维数的约束研究 | 第59-68页 |
| ·特征维数下限约束 | 第60-63页 |
| ·面向偏斜数据的特征维数约束算法 | 第63-65页 |
| ·实验及结果分析 | 第65-68页 |
| ·特征选择函数的评价方法研究 | 第68-71页 |
| ·特征选择函数评价的相关研究 | 第68-69页 |
| ·特征选择函数的评价方法 | 第69-71页 |
| ·实验及结果分析 | 第71页 |
| ·本章小结 | 第71-73页 |
| 第四章 高性能文本分类算法研究 | 第73-89页 |
| ·引言 | 第73-74页 |
| ·KNN 算法及相似度函数 | 第74-75页 |
| ·KNN 算法 | 第74页 |
| ·相似度函数 | 第74-75页 |
| ·KNN 算法的缺点及其改进 | 第75-76页 |
| ·KNN 算法的缺点 | 第75页 |
| ·KNN 算法的改进 | 第75-76页 |
| ·基于特征空间索引的KNN 算法 | 第76-79页 |
| ·Index.BFS.KNN 算法描述 | 第76-77页 |
| ·实验及结果分析 | 第77-79页 |
| ·基于特征补偿的KNN 分类 | 第79-83页 |
| ·特征补偿的相关研究 | 第79页 |
| ·特征词分布的统计分析 | 第79-80页 |
| ·基于特征补偿的KNN 算法 | 第80-82页 |
| ·实验及结果分析 | 第82-83页 |
| ·一种基于流形学习的文本分类算法 | 第83-88页 |
| ·流形学习相关研究 | 第83-84页 |
| ·基于鲁棒路径正则化的非线性半监督文本分类（SSCRPR-Nonlinear） | 第84-87页 |
| ·实验及结果分析 | 第87-88页 |
| ·本章小结 | 第88-89页 |
| 第五章 基于最小割集的加权图聚类算法 | 第89-98页 |
| ·引言 | 第89-90页 |
| ·WGC 算法 | 第90-92页 |
| ·WGC 聚类算法的一些性质 | 第92-96页 |
| ·实验与应用 | 第96-97页 |
| ·实验及结果分析 | 第96-97页 |
| ·实际应用 | 第97页 |
| ·本章小结 | 第97-98页 |
| 结论和展望 | 第98-100页 |
| 参考文献 | 第100-112页 |
| 攻读博士学位期间取得的研究成果 | 第112-114页 |
| 致谢 | 第114页 |