| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究内容及面临的挑战 | 第12-14页 |
| 1.3 本文的贡献 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第2章 相关工作 | 第17-25页 |
| 2.1 文本预处理 | 第17-18页 |
| 2.1.1 文档切分 | 第17页 |
| 2.1.2 分词技术 | 第17-18页 |
| 2.1.3 文本特征提取和表示 | 第18页 |
| 2.2 文本分类 | 第18-21页 |
| 2.2.1 文本分类概述 | 第18-19页 |
| 2.2.2 文本相似性度度量 | 第19-20页 |
| 2.2.3 文本分类效果评价 | 第20-21页 |
| 2.3 文档模型表示 | 第21-23页 |
| 2.3.1 向量空间模型 | 第21-22页 |
| 2.3.2 潜在的语义分析模型 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 系统框架和背景知识 | 第25-37页 |
| 3.1 多层语义特征的短文本特征提取及分类框架 | 第25-29页 |
| 3.1.1 框架描述 | 第25-26页 |
| 3.1.2 特征生成 | 第26-28页 |
| 3.1.3 特征选择 | 第28-29页 |
| 3.1.4 分类模型的建立 | 第29页 |
| 3.2 微软Probase知识库 | 第29-32页 |
| 3.3 潜在狄利克雷模型 | 第32-33页 |
| 3.4 支持向量机 | 第33-36页 |
| 3.5 问题定义 | 第36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 支持多层语义特征的生成与选择策略 | 第37-51页 |
| 4.1 基本的短文本的特征生成与选择方法 | 第37-39页 |
| 4.1.1 基于词性标注的分词方法 | 第37-38页 |
| 4.1.2 基于关键字的特征集选取策略 | 第38-39页 |
| 4.2 基于Probase的三层语义特征的生成与选择 | 第39-46页 |
| 4.2.1 特征集的生成流程 | 第39页 |
| 4.2.2 基本的特征集生成策略 | 第39-42页 |
| 4.2.3 改进的特征集生成策略 | 第42-44页 |
| 4.2.4 基本的特征集选择策略 | 第44-45页 |
| 4.2.5 改进的特征集选择策略 | 第45-46页 |
| 4.3 基于LDA的主题层语义特征的生成 | 第46-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第5章 基于SVM模型的短文本分类 | 第51-59页 |
| 5.1 基于SVM的短文本分类介绍 | 第51-53页 |
| 5.1.1 基于SVM的短文本分类算法 | 第51-52页 |
| 5.1.2 短文本多分类问题的解决方案 | 第52-53页 |
| 5.2 基于三层语义特征的分类 | 第53-54页 |
| 5.3 基于主题层语义特征的分类 | 第54-57页 |
| 5.4 基于四层语义特征的分类 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第6章 实验测试与结果分析 | 第59-69页 |
| 6.1 实验设置与实验数据集 | 第59-60页 |
| 6.1.1 实验设置 | 第59页 |
| 6.1.2 实验数据集 | 第59-60页 |
| 6.2 实验设计与分析 | 第60-68页 |
| 6.2.1 不同的分词方法对分类结果的影响 | 第60-61页 |
| 6.2.2 典型性阈值对实例概念词典大小的影响 | 第61页 |
| 6.2.3 典型性阈值对分类准确性的影响 | 第61-62页 |
| 6.2.4 不同Probase特征生成方法对分类的影响 | 第62-63页 |
| 6.2.5 基于LDA主题模型的短文本分类 | 第63-65页 |
| 6.2.6 不同分类法对多分类准确度的影响 | 第65-68页 |
| 6.2.7 不同分类法对二分类的影响 | 第68页 |
| 6.3 本章小结 | 第68-69页 |
| 第7章 总结与展望 | 第69-71页 |
| 7.1 总结 | 第69-70页 |
| 7.2 工作展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 硕士期间参加的项目及获奖情况 | 第77页 |