| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本课题主要内容及创新点 | 第12-13页 |
| 第2章 属性分类相关技术及理论介绍 | 第13-31页 |
| 2.1 属性文本分类预处理 | 第13-16页 |
| 2.1.1 缺失值及噪音数据处理 | 第13-15页 |
| 2.1.2 数据集成处理 | 第15页 |
| 2.1.3 数据规范及离散化处理 | 第15-16页 |
| 2.2 属性文本特征选择算法 | 第16-20页 |
| 2.2.1 TF-IDF与特征属性选择 | 第17页 |
| 2.2.2 信息增益与特征属性选择 | 第17-19页 |
| 2.2.3 Relief算法与属性特征选择 | 第19-20页 |
| 2.3 高维特征降维方法 | 第20-24页 |
| 2.3.1 主成分分析PCA | 第20-22页 |
| 2.3.2 线性判别分析LDA | 第22-24页 |
| 2.4 决策树分类算法 | 第24-29页 |
| 2.4.1 ID3算法 | 第25-26页 |
| 2.4.2 C4.5 算法 | 第26-28页 |
| 2.4.3 CART算法 | 第28-29页 |
| 2.5 属性分类的评测指标 | 第29-30页 |
| 2.5.1 召回率、正确率和F-测度值 | 第29-30页 |
| 2.5.2 微平均和宏平均 | 第30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于决策树的属性自动推理算法 | 第31-42页 |
| 3.1 基于决策树与相似度策略的属性融合算法 | 第31-38页 |
| 3.1.1 C4.5 算法改进 | 第31-32页 |
| 3.1.2 属性类别相似度策略 | 第32-36页 |
| 3.1.3 属性融合 | 第36-38页 |
| 3.2 基于改进融合的属性自动推理算法 | 第38-40页 |
| 3.2.1 基于改进融合算法的判决器 | 第39-40页 |
| 3.2.2 基于判决结果的机器学习 | 第40页 |
| 3.3 本章小结 | 第40-42页 |
| 第4章 属性自动推理识别系统的设计 | 第42-61页 |
| 4.1 系统框架概述 | 第42-44页 |
| 4.2 属性文本预处理子系统 | 第44-50页 |
| 4.2.1 预处理子系统概述 | 第44-45页 |
| 4.2.2 特征选取及降维处理 | 第45-50页 |
| 4.3 属性文本自动分类子系统 | 第50-57页 |
| 4.3.1 自动分类子系统概述 | 第50-51页 |
| 4.3.2 决策树生成模块 | 第51-54页 |
| 4.3.3 属性融合判决模块 | 第54-55页 |
| 4.3.4 融合结果改进模块 | 第55-57页 |
| 4.4 属性文本定向识别子系统 | 第57-60页 |
| 4.4.1 定向识别子系统概述 | 第57-58页 |
| 4.4.2 基于正则表达式的规则识别模块 | 第58-59页 |
| 4.4.3 基于Trie树和有限状态自动机的实体识别模块 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 实验结果及分析 | 第61-66页 |
| 5.1 实验环境及数据 | 第61页 |
| 5.2 实验过程及评价指标 | 第61-63页 |
| 5.3 实验结果对比分析 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69-70页 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 | 第70-71页 |
| 附录2 主要英文缩写语对照表 | 第71页 |