| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 多标签分类 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.4 论文的结构安排 | 第16-17页 |
| 第二章 多标签文本分类相关技术 | 第17-26页 |
| 2.1 文本分类的定义及过程 | 第17-19页 |
| 2.1.1 文本分类的定义 | 第17页 |
| 2.1.2 文本分类的一般过程 | 第17-18页 |
| 2.1.3 多标签文本分类评估方法 | 第18-19页 |
| 2.2 文本分类的分类方法 | 第19-24页 |
| 2.2.1 决策树算法 | 第19-20页 |
| 2.2.2 Ricchio 算法 | 第20-21页 |
| 2.2.3 KNN 算法 | 第21-22页 |
| 2.2.4 神经网络算法 | 第22-23页 |
| 2.2.5 朴素贝叶斯算法 | 第23-24页 |
| 2.2.6 支持向量机 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 基于中文多标签分类的特征选择 | 第26-36页 |
| 3.1 文本特征选择 | 第26-27页 |
| 3.2 特征选择方法 | 第27-30页 |
| 3.2.1 过滤无意义信息 | 第27页 |
| 3.2.2 汉语文本自动分词 | 第27-28页 |
| 3.2.3 汉语文本粗降维 | 第28页 |
| 3.2.4 文本表示模型 | 第28-29页 |
| 3.2.5 常用特征选择方法 | 第29-30页 |
| 3.3 改进的特征选择方法 | 第30-34页 |
| 3.3.1 强类别纹理挖掘算法 | 第30-31页 |
| 3.3.2 常用权重计算方法 | 第31-32页 |
| 3.3.3 改进的特征选择和加权抽取 | 第32-34页 |
| 3.4 多标签分类特征选择算法的框架 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 相关信息加权的自适应多标签分类算法 | 第36-42页 |
| 4.1 常用多标签分类算法 | 第36-38页 |
| 4.1.1 Navie-Bayes 算法 | 第36-37页 |
| 4.1.2 ML-Knn 算法 | 第37页 |
| 4.1.3 RAkEL 算法 | 第37-38页 |
| 4.2 信息加权模型算法 | 第38-39页 |
| 4.3 WeightedLabelPower 投票预测 | 第39页 |
| 4.4 多标签分类算法的框架 | 第39-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 实验及结果分析 | 第42-56页 |
| 5.1 多标签文本分类数据集 | 第42-43页 |
| 5.2 多标签文本分类特征选择实验 | 第43-47页 |
| 5.2.1 强特征挖掘实验 | 第43-44页 |
| 5.2.2 改进的特征选择和加权抽取实验 | 第44-47页 |
| 5.3 相关信息加权的自适应多标签分类实验 | 第47-55页 |
| 5.3.1 实验环境 | 第47页 |
| 5.3.2 实验数据 | 第47-51页 |
| 5.3.3 结果分析 | 第51-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56页 |
| 6.2 研究展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士期间发表的论文以及专利 | 第64-66页 |