基于向量空间模型的文本自动分类算法的研究与改进
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第9-19页 |
| ·研究背景及目的 | 第9页 |
| ·论文的组织结构 | 第9-10页 |
| ·数据挖掘 | 第10-15页 |
| ·数据挖掘的由来 | 第10-11页 |
| ·数据挖掘的定义 | 第11页 |
| ·数据挖掘研究的内容和本质 | 第11-13页 |
| ·数据挖掘的功能 | 第13-14页 |
| ·数据挖掘未来研究方向 | 第14-15页 |
| ·网站的数据挖掘 | 第14-15页 |
| ·生物信息或基因的数据挖掘 | 第15页 |
| ·文本的数据挖掘 | 第15页 |
| ·文本挖掘 | 第15-17页 |
| ·文本挖掘的定义 | 第16页 |
| ·文本挖掘的分类 | 第16-17页 |
| ·文本分类 | 第17-18页 |
| ·本文主要研究工作 | 第18-19页 |
| 第二章 文本分类 | 第19-22页 |
| ·文本分类的定义 | 第19页 |
| ·文本分类的应用 | 第19-22页 |
| ·文献自动标引 | 第20页 |
| ·文本过滤 | 第20页 |
| ·词义排歧 | 第20页 |
| ·网页分类 | 第20-22页 |
| 第三章 文本分类的关键技术 | 第22-44页 |
| ·人工方法和自动方法 | 第22-23页 |
| ·文本分类过程 | 第23-30页 |
| ·文本信息的预处理 | 第24页 |
| ·文本表示 | 第24-25页 |
| ·空间降维 | 第25-30页 |
| ·特征选择 | 第25-29页 |
| ·特征抽取 | 第29-30页 |
| ·特征匹配和分类 | 第30页 |
| ·文本分类方法 | 第30-35页 |
| ·Roccio方法 | 第30-31页 |
| ·简单向量距离分类法 | 第31页 |
| ·贝叶斯方法 Naive Bayes | 第31-32页 |
| ·K最邻近方法 KNN | 第32页 |
| ·决策树方法 | 第32-33页 |
| ·支持向量机 SVM | 第33-34页 |
| ·神经网络方法 | 第34页 |
| ·粗糙集方法 | 第34-35页 |
| ·其它分类方法 | 第35页 |
| ·分类器评价标准 | 第35-40页 |
| ·训练集和测试集 | 第36-37页 |
| ·查全率和查对率 | 第37-39页 |
| ·BEP和 F_1 | 第39-40页 |
| ·目前存在的问题 | 第40-41页 |
| ·未来发展方向 | 第41-44页 |
| 第四章 对几种文本分类算法的改进 | 第44-59页 |
| ·对简单向量距离法的改进 | 第44-49页 |
| ·简单向量距离分类法 | 第44-45页 |
| ·基于反馈技术的简单向量距离分类法 | 第45-48页 |
| ·实验及分析 | 第48-49页 |
| ·对贝叶斯文本分类算法的改进 | 第49-59页 |
| ·基于贝叶斯定理的文本分类 | 第49-50页 |
| ·基于朴素贝叶斯的文本分类 | 第50-53页 |
| ·对朴素贝叶斯文本分类器的改进策略 | 第53-55页 |
| ·基于“树桩网络”的贝叶斯文本分类算法 | 第55-57页 |
| ·实验及分析 | 第57-59页 |
| 第五章 结束语 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 硕士期间发表和已录用的文章 | 第63-64页 |
| 致谢 | 第64页 |
