| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 应用前景及难点 | 第12-13页 |
| 1.4 本文的主要工作 | 第13-15页 |
| 1.5 本文的组织结构 | 第15-16页 |
| 2 中文文本信息处理技术 | 第16-24页 |
| 2.1 文本预处理技术 | 第16-17页 |
| 2.2 向量空间文本表示模型 | 第17-18页 |
| 2.3 特征选择 | 第18-20页 |
| 2.4 文本分类方法 | 第20-21页 |
| 2.4.1 Rocchio方法—相似度计算方法 | 第20页 |
| 2.4.2 贝叶斯方法 | 第20-21页 |
| 2.4.3 KNN方法—K近邻方法 | 第21页 |
| 2.4.4 SVM—支持向量机 | 第21页 |
| 2.4.5 Decision Tree—决策树方法 | 第21页 |
| 2.5 文本分类阈值选择与评估方法 | 第21-22页 |
| 2.5.1 阈值选择策略 | 第21-22页 |
| 2.5.2 评估方法 | 第22页 |
| 2.6 本章小结 | 第22-24页 |
| 3 构建商品文本评论的专业度概念层次树 | 第24-37页 |
| 3.1 商品文本评论数据概述 | 第24-27页 |
| 3.2 商品文本评论数据预处理 | 第27页 |
| 3.3 评论专业度概念抽取 | 第27-29页 |
| 3.4 PCH-Tree的构建 | 第29-36页 |
| 3.4.1 层次分类 | 第29-30页 |
| 3.4.2 构建PCH-Tree的基本思想 | 第30-32页 |
| 3.4.3 GCF层次分类算法 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于PCH-Tree的商品文本评论专业度计算模型 | 第37-43页 |
| 4.1 商品文本评论专业度概述 | 第37页 |
| 4.2 基于PCH-Tree的评论专业度计算模型 | 第37-42页 |
| 4.2.1 商品评论文本的有效长度 | 第37-38页 |
| 4.2.2 基于PCH-Tree的商品评论文本深度范围 | 第38-40页 |
| 4.2.3 商品文本评论的内聚度 | 第40-41页 |
| 4.2.4 商品文本评论专业度 | 第41-42页 |
| 4.3 本章小结 | 第42-43页 |
| 5 实验设计与结果分析 | 第43-60页 |
| 5.1 实验设计 | 第43-45页 |
| 5.1.1 实验环境 | 第43页 |
| 5.1.2 数据集选择与采集 | 第43-44页 |
| 5.1.3 实验目标 | 第44页 |
| 5.1.4 实验方案 | 第44-45页 |
| 5.2 实验及结果分析 | 第45-52页 |
| 5.2.1 GCF层次分类实验与评估 | 第45-47页 |
| 5.2.2 评论专业度计算模型实验 | 第47-49页 |
| 5.2.3 分类预测评论专业度实验 | 第49-52页 |
| 5.3 实验系统 | 第52-59页 |
| 5.3.1 评论专业度评分数据的获取 | 第52-54页 |
| 5.3.2 系统的设计与实现 | 第54-56页 |
| 5.3.3 结果展示 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 本文工作总结 | 第60-61页 |
| 6.2 未来工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67-72页 |
| A. 本文所选择的商品类别细表 | 第67-72页 |
| B. 作者在攻读硕士学位期间发表的论文目录 | 第72页 |
| C. 作者在攻读硕士学位期间申请的专利目录 | 第72页 |
| D. 作者在攻读硕士学位期间取得的科研成果目录 | 第72页 |
