数字图书馆中基于统计的自动文本分类方法研究
| 第一章 绪论 | 第1-12页 |
| ·研究背景和意义 | 第7-8页 |
| ·自动文本分类研究现状 | 第8-10页 |
| ·自动文本分类评价方法 | 第10-11页 |
| ·本文研究内容 | 第11-12页 |
| 第二章 中文文本多层次特征表示方法 | 第12-23页 |
| ·文本的形式化表示 | 第12-14页 |
| ·向量空间模型 | 第12页 |
| ·样本相似性度量 | 第12-14页 |
| ·文本特征选择、提取和赋权 | 第14-19页 |
| ·文本特征项 | 第14页 |
| ·特征项选择 | 第14-17页 |
| ·特征项提取 | 第17页 |
| ·特征项赋权 | 第17-19页 |
| ·中文文本多层次特征表示方法 | 第19-22页 |
| ·实验一 | 第19-21页 |
| ·实验二 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于核的距离加权KNN分类方法 | 第23-35页 |
| ·典型的文本分类方法 | 第23-29页 |
| ·有监督的分类方法 | 第23-25页 |
| ·无监督的聚类方法 | 第25-28页 |
| ·支持向量机 | 第28-29页 |
| ·基于核的距离加权KNN文本分类器 | 第29-33页 |
| ·实验一 | 第31页 |
| ·实验二 | 第31-33页 |
| ·本章小结 | 第33-35页 |
| 第四章 自动文本分类中的样本分析技术 | 第35-45页 |
| ·快速冗余文档检测 | 第35-39页 |
| ·快速冗余文档检测算法 | 第36-38页 |
| ·多层次特征下冗余文档检测 | 第38-39页 |
| ·训练文本的重要性分析 | 第39-43页 |
| ·本章小结 | 第43-45页 |
| 第五章 基于学科主题词表的文本分类 | 第45-53页 |
| ·提取学科主题词表 | 第45-48页 |
| ·基于学科主题词表的文本分类 | 第48-52页 |
| ·本章小结 | 第52-53页 |
| 第六章 结论和展望 | 第53-54页 |
| ·论文工作总结 | 第53页 |
| ·未来的工作 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 作者简介 | 第58页 |
