中文Web文本分类新技术的研究和应用
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景 | 第8页 |
| ·研究意义 | 第8-9页 |
| ·研究现状 | 第9-11页 |
| ·研究内容 | 第11-13页 |
| 第二章 中文WEB 文本分类概述 | 第13-22页 |
| ·WEB 文本表示与计算 | 第13-15页 |
| ·Web 文本预处理 | 第13-14页 |
| ·文本特征的表示 | 第14页 |
| ·文本相似度的计算 | 第14-15页 |
| ·特征选择相关算法 | 第15-17页 |
| ·文档频率 | 第15-16页 |
| ·互信息 | 第16页 |
| ·信息增益 | 第16页 |
| ·χ~2 统计量 | 第16-17页 |
| ·期望交叉值 | 第17页 |
| ·文本分类相关算法 | 第17-20页 |
| ·文本相似度算法 | 第17页 |
| ·朴素贝叶斯 | 第17-18页 |
| ·神经网络 | 第18页 |
| ·支持向量机 | 第18-19页 |
| ·决策树 | 第19-20页 |
| ·性能评价及语料库介绍 | 第20-22页 |
| ·性能评价 | 第20页 |
| ·相关语料 | 第20-22页 |
| 第三章 基于二元语法的N-最大概率中文粗分模型 | 第22-29页 |
| ·N-最短路径中文粗分模型 | 第22-23页 |
| ·基本原理 | 第22页 |
| ·模型求解 | 第22-23页 |
| ·基于二元语法的中文粗分模型 | 第23-25页 |
| ·二元语法介绍 | 第23页 |
| ·参数估计和数据平滑 | 第23-24页 |
| ·模型求解 | 第24-25页 |
| ·实验及结果 | 第25-28页 |
| ·实验设计 | 第25-26页 |
| ·结果与分析 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第四章 基于新词发现的WEB 文本表示方法 | 第29-36页 |
| ·网页净化 | 第29-30页 |
| ·新词发现过程 | 第30-31页 |
| ·新词概述 | 第30页 |
| ·新词发现 | 第30-31页 |
| ·WEB 文本表示新方法 | 第31-32页 |
| ·实验及结果 | 第32-35页 |
| ·实验设计 | 第32-33页 |
| ·结果与分析 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第五章 WEB 文本KNN 分类算法的研究 | 第36-52页 |
| ·KNN 分类算法简介 | 第36-37页 |
| ·改进的KNN WEB 文本分类算法 | 第37-43页 |
| ·Rocchio 方法的使用 | 第37-38页 |
| ·改进的KNN 分类算法 | 第38-39页 |
| ·实验设计 | 第39-41页 |
| ·结果与分析 | 第41-43页 |
| ·层次结构和KNN 相结合的WEB 文本分类算法 | 第43-51页 |
| ·建立层次结构模型 | 第43-44页 |
| ·Web 文本层次分类算法 | 第44-45页 |
| ·结合层次结构的KNN 分类算法 | 第45-46页 |
| ·实验设计 | 第46-48页 |
| ·结果与分析 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| ·总结 | 第52-53页 |
| ·展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第59页 |
