基于概念网的不良信息过滤研究与实现
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究的意义 | 第10-11页 |
| 1.3 国内外文本过滤技术现状 | 第11-13页 |
| 1.4 课题的提出 | 第13页 |
| 1.5 论文组织结构 | 第13-14页 |
| 1.6 小结 | 第14-15页 |
| 2 文本信息过滤基础 | 第15-26页 |
| 2.1 信息过滤的方法分类 | 第15-17页 |
| 2.2 信息过滤的特点 | 第17-19页 |
| 2.2.1 信息过滤与信息检索 | 第17-18页 |
| 2.2.2 信息过滤与文本分类 | 第18页 |
| 2.2.3 信息过滤应用 | 第18-19页 |
| 2.3 文本表示 | 第19-22页 |
| 2.3.1 布尔模型 | 第19-20页 |
| 2.3.2 概率模型 | 第20-21页 |
| 2.3.3 向量空间模型 | 第21-22页 |
| 2.4 概念网基础 | 第22-25页 |
| 2.4.1 WordNet | 第23页 |
| 2.4.2 HowNet(知网) | 第23-25页 |
| 2.5 小结 | 第25-26页 |
| 3 概念表达 | 第26-39页 |
| 3.1 文本预处理 | 第26-28页 |
| 3.2 文本表达 | 第28-32页 |
| 3.2.1 特征项选择 | 第28-30页 |
| 3.2.2 特征项加权 | 第30-32页 |
| 3.3 模糊集 | 第32-35页 |
| 3.3.1 模糊集特点 | 第32-33页 |
| 3.3.2 模糊集关系 | 第33-35页 |
| 3.3.3 模糊集与概念 | 第35页 |
| 3.4 概念生成 | 第35-38页 |
| 3.5 小结 | 第38-39页 |
| 4 递归概念网构建 | 第39-48页 |
| 4.1 递归概念网模型 | 第39-40页 |
| 4.2 概念节点生成 | 第40-43页 |
| 4.2.1 关键词组聚合 | 第40-42页 |
| 4.2.2 概念节点聚合 | 第42-43页 |
| 4.3 递归概念网生成 | 第43-45页 |
| 4.3.1 概念矩阵 | 第43-44页 |
| 4.3.2 概念网生成 | 第44-45页 |
| 4.4 数据库设计 | 第45-47页 |
| 4.4.1 关键词组表 | 第45-46页 |
| 4.4.2 一层概念节点表 | 第46页 |
| 4.4.3 二层概念节点表 | 第46-47页 |
| 4.5 小结 | 第47-48页 |
| 5 基于递归概念网的过滤方法 | 第48-61页 |
| 5.1 文本分类方法 | 第48-54页 |
| 5.1.1 Native Bayes | 第49-51页 |
| 5.1.2 向量空间模型法( VSM) | 第51页 |
| 5.1.3 支持向量机(SVMs) | 第51-53页 |
| 5.1.4 K 最近邻法(KNN) | 第53-54页 |
| 5.2 过滤模块设计及实现 | 第54-56页 |
| 5.3 系统框架图 | 第56-57页 |
| 5.4 实验结果及分析 | 第57-60页 |
| 5.5 小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 未来展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文 | 第67-69页 |
