微博短文本分类算法的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 短文本分类相关研究 | 第11-14页 |
| 1.2.1 特征扩展的方法 | 第12-13页 |
| 1.2.2 特征选择的方法 | 第13-14页 |
| 1.3 本文的研究工作 | 第14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 1.5 本章小节 | 第15-16页 |
| 第二章 相关理论及关键技术 | 第16-27页 |
| 2.1 文本分类流程 | 第16-17页 |
| 2.2 文本的表示 | 第17-18页 |
| 2.3 特征选择 | 第18-22页 |
| 2.3.1 信息增益 | 第19页 |
| 2.3.2 卡方检验 | 第19-20页 |
| 2.3.3 期望交叉熵 | 第20-21页 |
| 2.3.4 互信息 | 第21-22页 |
| 2.4 分类算法 | 第22-26页 |
| 2.4.1 朴素贝叶斯算法 | 第22-23页 |
| 2.4.2 K最近邻分类算法 | 第23-24页 |
| 2.4.3 决策树分类算法 | 第24页 |
| 2.4.4 支持向量机算法 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 微博短文本特征扩展方法 | 第27-45页 |
| 3.1 微博短文本特征扩展的总体框架 | 第27-29页 |
| 3.2 基于二元语法模型的特征扩展方法 | 第29-38页 |
| 3.2.1 N元语法模型 | 第29-30页 |
| 3.2.2 微博的主干词表示 | 第30-31页 |
| 3.2.3 二元语法模型训练 | 第31-35页 |
| 3.2.4 基于二元语法模型的特征扩展 | 第35-38页 |
| 3.3 基于词语相似度的噪声消除方法 | 第38-44页 |
| 3.3.1 词向量训练 | 第38-40页 |
| 3.3.2 特征扩展的噪声消除 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 微博短文本分类实验 | 第45-64页 |
| 4.1 实验环境 | 第45-47页 |
| 4.1.1 硬件环境 | 第45页 |
| 4.1.2 软件环境 | 第45页 |
| 4.1.3 数据来源 | 第45-47页 |
| 4.2 过程及结果分析 | 第47-63页 |
| 4.2.1 原始微博短文本分类实验 | 第50-52页 |
| 4.2.2 基于特征扩展的微博短文本分类实验 | 第52-63页 |
| 4.3 本章小结 | 第63-64页 |
| 第五章 微博数据分析系统设计与实现 | 第64-77页 |
| 5.1 需求分析 | 第64-68页 |
| 5.2 系统总体设计 | 第68-70页 |
| 5.2.1 系统架构 | 第68-69页 |
| 5.2.2 数据库设计 | 第69-70页 |
| 5.3 系统详细设计与实现 | 第70-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 致谢 | 第82-83页 |
| 攻读学位期间发表的学术论文目录 | 第83页 |
