基于LDA模型的文本分类研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-15页 |
| ·研究背景和选题意义 | 第8-9页 |
| ·国内外研究现状 | 第9-13页 |
| ·文本表示 | 第11页 |
| ·表示空间降维 | 第11-12页 |
| ·机器学习分类方法 | 第12-13页 |
| ·本文的研究内容 | 第13页 |
| ·论文的组织 | 第13-15页 |
| 2 文本分类的技术 | 第15-31页 |
| ·文本分类问题的定义 | 第15-18页 |
| ·两类问题 | 第16-17页 |
| ·多类问题 | 第17页 |
| ·多标记问题 | 第17-18页 |
| ·文本预处理 | 第18-19页 |
| ·文档表示 | 第19-20页 |
| ·特征提取 | 第20-24页 |
| ·文档频次(DF) | 第21页 |
| ·信息增益(IG) | 第21-22页 |
| ·互信息(MI) | 第22-23页 |
| ·x~2统计(CHI)及其改进 | 第23-24页 |
| ·主成分分析(PCA) | 第24页 |
| ·文本分类算法 | 第24-30页 |
| ·K最近相邻算法 | 第25页 |
| ·神经网络 | 第25-26页 |
| ·决策树 | 第26页 |
| ·贝叶斯算法 | 第26-27页 |
| ·支持向量机 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 3 基于LDA模型的文本分类 | 第31-52页 |
| ·统计主题模型简介 | 第31-37页 |
| ·TF-IDF模型 | 第32-33页 |
| ·一元混合模型 | 第33-34页 |
| ·LSI模型 | 第34-36页 |
| ·PLSI模型 | 第36-37页 |
| ·LDA模型的基本思想 | 第37-39页 |
| ·基于LDA模型的文本分类 | 第39-42页 |
| ·模型选择 | 第40-41页 |
| ·参数估计 | 第41-42页 |
| ·搭建实验环境 | 第42-46页 |
| ·支持向量机训练环境 | 第42页 |
| ·LDA建模平台 | 第42-45页 |
| ·数据集 | 第45-46页 |
| ·评估方法 | 第46页 |
| ·实验与结果分析 | 第46-51页 |
| ·本章小结 | 第51-52页 |
| 4 最优主题数选择方法 | 第52-60页 |
| ·LDA模型初始参数取值 | 第52页 |
| ·基于HDP的最优主题数选择方法 | 第52-54页 |
| ·基于DBSCAN的最优主题数选择方法 | 第54-56页 |
| ·最优模型与主题相似度之间的关系 | 第54-55页 |
| ·基于DBSCAN的最优主题数选择算法 | 第55-56页 |
| ·实验与结果分析 | 第56-58页 |
| ·本章小结 | 第58-60页 |
| 5 总结与展望 | 第60-61页 |
| ·本文工作 | 第60页 |
| ·工作展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录 | 第65页 |
