| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-14页 |
| ·研究文本自动分类的背景和意义 | 第9-10页 |
| ·国内外研究现状综述 | 第10-12页 |
| ·特征选择算法的研究现状 | 第10-11页 |
| ·文本自动分类的研究现状 | 第11-12页 |
| ·本文的研究目标和主要内容 | 第12-13页 |
| ·本文组织结构 | 第13-14页 |
| 第2章 文本分类研究综述 | 第14-26页 |
| ·文本分类基本概念 | 第14-15页 |
| ·文本分类的定义 | 第14页 |
| ·文本分类的流程 | 第14-15页 |
| ·文本表示综述 | 第15-18页 |
| ·向量空间模型（VSM） | 第16-17页 |
| ·tf-idf 权重 | 第16-17页 |
| ·词频权重（TF） | 第17页 |
| ·熵权重 | 第17页 |
| ·布尔模型 | 第17页 |
| ·概率模型 | 第17-18页 |
| ·特征选择算法研究综述 | 第18-20页 |
| ·文档频率方法（DF） | 第18页 |
| ·信息增益方法（Information Gain，IG） | 第18-19页 |
| ·卡方统计量方法（CHI-square） | 第19-20页 |
| ·期望交叉熵（Expected Cross Entropy，ECE） | 第20页 |
| ·文本分类算法研究综述 | 第20-25页 |
| ·基于实例的KNN 分类算法 | 第20-21页 |
| ·基于Rocchio 的分类算法 | 第21-22页 |
| ·基于统计的贝叶斯分类算法 | 第22页 |
| ·基于决策树的分类算法 | 第22-23页 |
| ·基于神经网络的分类算法 | 第23页 |
| ·基于支持向量机的分类算法 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于 tf-idf 的改进互信息算法和比例区分度 CPD 算法 | 第26-35页 |
| ·改进的 tf-idf 权重方法 | 第26-27页 |
| ·传统的互信息算法 | 第27-30页 |
| ·基于互信息的特征选择方法研究 | 第30-32页 |
| ·改进的互信息的特征选择算法 | 第30-31页 |
| ·结合改进的 tf-idf 的 DMI 算法的文本分类方法 | 第31-32页 |
| ·基于比例区分度（CPD）的特征选择算法 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 第4章 基于VSM 的中文文本分类系统的设计 | 第35-43页 |
| ·系统设计目标 | 第35页 |
| ·文本分类系统框架 | 第35-36页 |
| ·中文文本预处理 | 第36-40页 |
| ·特征选择 | 第40页 |
| ·文本分类 | 第40-41页 |
| ·文本分类器的评价 | 第41-42页 |
| ·精确率（Precision）和召回率（Recall） | 第41-42页 |
| ·微平均和宏平均 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第5章 中文文本分类实验测试及结果分析 | 第43-49页 |
| ·实验环境和实验目的 | 第43页 |
| ·实验语料 | 第43-44页 |
| ·实验结果及结果分析 | 第44-48页 |
| ·基于VSM 模型的DMI 算法的实验结果分析 | 第44-46页 |
| ·基于VSM 模型的CPD 的实验结果分析 | 第46-47页 |
| ·tf-idf 和改进后的tf-idf 的实验结果分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 附录 | 第54-55页 |
| 致谢 | 第55-56页 |
| 在读期间公开发表论文（著）及科研情况 | 第56页 |
