| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题背景 | 第9-10页 |
| ·课题研究意义 | 第10-11页 |
| ·课题的创新点 | 第11页 |
| ·课题研究目标及相关问题 | 第11-12页 |
| ·论文的组织结构 | 第12-14页 |
| 第二章 相关工作及系统实现框架 | 第14-21页 |
| ·相关工作介绍 | 第14-18页 |
| ·国外自动作文评分研究 | 第14-17页 |
| ·国内自动作文评分研究 | 第17-18页 |
| ·系统实现框架 | 第18-19页 |
| ·本章小结 | 第19-21页 |
| 第三章 作文的表示与评分特征提取 | 第21-32页 |
| ·作文类别的划分 | 第21页 |
| ·作文的表示 | 第21-27页 |
| ·基于内容特征的表示方法 | 第22-23页 |
| ·基于语言学特征的表示方法 | 第23-27页 |
| ·作文特征的提取 | 第27-30页 |
| ·文档频率(Document Frequency,DF) | 第28-29页 |
| ·信息增益(Information Gain,IG) | 第29-30页 |
| ·χ~2统计(Chi Square Statistic,CHI) | 第30页 |
| ·本章小结 | 第30-32页 |
| 第四章 基于文本分类技术的自动作文评分 | 第32-54页 |
| ·文本分类技术介绍 | 第32-35页 |
| ·文本分类概述 | 第32-33页 |
| ·文本分类的研究现状 | 第33页 |
| ·文本分类的一般过程与框架 | 第33-35页 |
| ·朴素贝叶斯(Nai(|¨)ve Bayes,NB) | 第35-41页 |
| ·贝叶斯法则 | 第35-36页 |
| ·朴素贝叶斯分类器 | 第36-38页 |
| ·下溢与平滑处理 | 第38页 |
| ·性能评价标准 | 第38-40页 |
| ·实验结果与分析 | 第40-41页 |
| ·K近邻(K-Nearest Neighbor,KNN) | 第41-46页 |
| ·最近邻分类 | 第41页 |
| ·K近邻分类方法 | 第41-43页 |
| ·K近邻技术在作文评分中的应用 | 第43页 |
| ·实验结果与分析 | 第43-46页 |
| ·支持向量机(Support Vector Machine,SVM) | 第46-51页 |
| ·统计学习理论 | 第46页 |
| ·支持向量机基本思想与优点 | 第46-47页 |
| ·支持向量机算法 | 第47-51页 |
| ·实验结果与分析 | 第51页 |
| ·三种分类器性能比较 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 自动作文评分中的多分类器融合技术 | 第54-63页 |
| ·引言 | 第54-55页 |
| ·多分类器融合技术 | 第55-56页 |
| ·多分类器融合技术概述 | 第55-56页 |
| ·多分类器问题描述 | 第56页 |
| ·基于多分类器的融合技术的自动作文评分 | 第56-61页 |
| ·基于投票原则的方法 | 第56-57页 |
| ·基于栈的融合方法 | 第57-61页 |
| ·实验结果与分析 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·本文总结 | 第63-64页 |
| ·未来工作 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 附录 | 第71-72页 |
| 攻读学位期间公开发表的论文 | 第72-73页 |
| 致谢 | 第73-74页 |
| 详细摘要 | 第74-76页 |
