| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 引言 | 第9-10页 |
| 1 绪论 | 第10-14页 |
| 1.1 文本分类研究背景 | 第10页 |
| 1.2 选题的背景和意义 | 第10-11页 |
| 1.3 本文目标和主要工作 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 2 文本分类相关技术研究 | 第14-23页 |
| 2.1 文本分类发展历程 | 第14页 |
| 2.2 关键词提取算法 | 第14-15页 |
| 2.3 文本分类算法 | 第15-19页 |
| 2.3.1 贝叶斯算法 | 第15-17页 |
| 2.3.2 支持向量机算法 | 第17-18页 |
| 2.3.3 随机森林算法 | 第18页 |
| 2.3.4 深度学习算法 | 第18-19页 |
| 2.4 海量文本处理技术 | 第19-22页 |
| 2.4.1 Hadoop平台 | 第19-20页 |
| 2.4.2 Hadoop资源管理系统 | 第20页 |
| 2.4.3 Hadoop文件系统 | 第20-21页 |
| 2.4.4 MapReduce编程模型 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 海量多类型学术资源分类研究 | 第23-34页 |
| 3.1 贝叶斯文本分类方法 | 第24页 |
| 3.1.1 贝叶斯分类模型 | 第24页 |
| 3.1.2 文本分类流程 | 第24页 |
| 3.2 基于改进协同过滤的特征词扩展分类方法 | 第24-29页 |
| 3.2.1 改进协同过滤 | 第25-27页 |
| 3.2.2 数据预处理 | 第27页 |
| 3.2.3 选择性相关特征词扩展 | 第27-28页 |
| 3.2.4 文本分类流程 | 第28-29页 |
| 3.3 基于改进随机森林的短文本分类方法 | 第29-33页 |
| 3.3.1 改进随机森林 | 第30页 |
| 3.3.2 OOB二维权重组合策略 | 第30-32页 |
| 3.3.3 分类流程 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 海量学术资源分布式处理 | 第34-37页 |
| 4.1 基于MapReduce的中文分词 | 第34-35页 |
| 4.1.1 IK分词器 | 第34页 |
| 4.1.2 并行化分词 | 第34-35页 |
| 4.2 基于MapReduce的TF*IDF参数训练 | 第35页 |
| 4.3 基于MapReduce的贝叶斯模型参数训练 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 5 海量学术资源分类总结及实验 | 第37-44页 |
| 5.1 海量学术资源分类总结 | 第37页 |
| 5.2 文本分类评价指标 | 第37页 |
| 5.3 论文专利分类实验 | 第37-39页 |
| 5.4 新闻博客分类实验 | 第39-41页 |
| 5.5 会议标题分类实验 | 第41-43页 |
| 5.6 本章小结 | 第43-44页 |
| 6 结语 | 第44-46页 |
| 6.1 论文工作总结 | 第44-45页 |
| 6.2 进一步工作研究 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 在学研究成果 | 第50-51页 |
| 致谢 | 第51页 |