文本分类中特征选择方法研究—维吾尔语系
| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要研究的内容 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-13页 |
| 第二章 文本分类的关键技术 | 第13-27页 |
| 2.1 文本分类的概述 | 第13-14页 |
| 2.1.1 文本分类的定义 | 第13页 |
| 2.1.2 文本分类的流程 | 第13-14页 |
| 2.2 维吾尔文字特点 | 第14页 |
| 2.3 文本预处理 | 第14-16页 |
| 2.3.1 文本编码 | 第15页 |
| 2.3.2 除去非法字符 | 第15页 |
| 2.3.3 去停用词 | 第15页 |
| 2.3.4 词干提取 | 第15-16页 |
| 2.4 文本表示 | 第16-18页 |
| 2.5 特征选择 | 第18-21页 |
| 2.5.1 文本频率 | 第19页 |
| 2.5.2 信息增益 | 第19-20页 |
| 2.5.3 期望交叉熵 | 第20页 |
| 2.5.4 互信息 | 第20页 |
| 2.5.5 卡方统计量 | 第20-21页 |
| 2.6 文本分类算法 | 第21-24页 |
| 2.6.1 朴素贝叶斯分类算法 | 第21-22页 |
| 2.6.2 K-最邻近分类算法 | 第22-23页 |
| 2.6.3 支持向量机分类算法 | 第23-24页 |
| 2.7 文本分类性能评估 | 第24-25页 |
| 2.7.1 评价方法 | 第24-25页 |
| 2.7.2 评价指标 | 第25页 |
| 2.8 本章小结 | 第25-27页 |
| 第三章 改进信息增益的维吾尔文特征选择方法 | 第27-37页 |
| 3.1 传统信息增益算法 | 第27页 |
| 3.2 信息增益算法不足 | 第27-28页 |
| 3.3 前人对IG的改进之处 | 第28-29页 |
| 3.4 改进信息增益的维吾尔文特征选择方法 | 第29-31页 |
| 3.4.1 针对特征项区分度的改进 | 第29页 |
| 3.4.2 针对类词频的改进 | 第29-30页 |
| 3.4.3 针对数据集不均匀的改进 | 第30页 |
| 3.4.4 针对备选特征项类别分布的改进 | 第30-31页 |
| 3.5 实验分析 | 第31-35页 |
| 3.5.1 实验数据集 | 第31-32页 |
| 3.5.2 实验数据与分析 | 第32-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第四章 基于混合改进的维吾尔文特征选择方法 | 第37-47页 |
| 4.1 卡方统计 | 第37页 |
| 4.2 传统的IG和CHI的优缺点 | 第37-38页 |
| 4.3 基于混合改进的维吾尔文特征选择算法 | 第38-39页 |
| 4.4 实验结果与分析 | 第39-46页 |
| 4.4.1 实验数据集 | 第39-40页 |
| 4.4.2 实验与分析 | 第40-46页 |
| 4.5 本章总结 | 第46-47页 |
| 第五章 基于改进粒子群算法的维吾尔文特征优化方法 | 第47-58页 |
| 5.1 智能优化算法在文本特征选择的应用 | 第47页 |
| 5.2 粒子群算法的简介 | 第47-48页 |
| 5.3 粒子群算法的基本原理 | 第48-49页 |
| 5.4 改进粒子群算法 | 第49页 |
| 5.4.1 对惯性权重的改进 | 第49页 |
| 5.4.2 对适应度函数的改进 | 第49页 |
| 5.5 改进的粒子群算法实现 | 第49-53页 |
| 5.5.1 基于传统信息增益的特征粗选 | 第49-50页 |
| 5.5.2 特征编码 | 第50页 |
| 5.5.3 算法的设计 | 第50-53页 |
| 5.6 实验结果及分析 | 第53-57页 |
| 5.6.1 实验数据集 | 第53页 |
| 5.6.2 实验分析 | 第53-57页 |
| 5.7 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 本文工作的不足之处 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 研究生期间发表论文和参加科研情况 | 第62-63页 |
| 致谢 | 第63-65页 |
