| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·课题研究背景与意义 | 第9-11页 |
| ·文本分类研究现状 | 第11-12页 |
| ·本文的研究内容 | 第12-14页 |
| 第2章 文本分类相关技术 | 第14-27页 |
| ·文本预处理 | 第14-22页 |
| ·分词 | 第15-16页 |
| ·去停用词 | 第16-17页 |
| ·特征选择 | 第17-19页 |
| ·特征加权 | 第19-20页 |
| ·文本表示模型 | 第20-22页 |
| ·分类器 | 第22-25页 |
| ·朴素贝叶斯（NB） | 第22页 |
| ·KNN 方法——K 近邻方法 | 第22-23页 |
| ·支持向量机（SVM） | 第23-24页 |
| ·决策树 | 第24-25页 |
| ·分类性能评估 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于PCA 的文本特征选择 | 第27-37页 |
| ·特征选择 | 第27-30页 |
| ·特征维数对分类性能的影响 | 第30-32页 |
| ·SVM 分类性能 | 第30-31页 |
| ·KNN 分类性能 | 第31-32页 |
| ·主成分分析（Principal Component Analysis） | 第32-35页 |
| ·主成分分析 | 第33-34页 |
| ·基于PCA 的特征维数选择 | 第34-35页 |
| ·PCA 前后的分类性能比较 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 基于PCA 与多视图学习的中文文本分类研究 | 第37-47页 |
| ·多视图学习的理论基础 | 第37-38页 |
| ·半监督学习策略 | 第37-38页 |
| ·集成学习策略 | 第38页 |
| ·多视图学习策略（Multi-view learning 策略） | 第38-43页 |
| ·Multi-view Learning 策略的算法描述 | 第39-40页 |
| ·实验分析 | 第40-43页 |
| ·基于PCA 与多视图学习的中文文本分类研究 | 第43-46页 |
| ·文本数据集 | 第43页 |
| ·文本数据预处理过程 | 第43-44页 |
| ·文本分类实验比较 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第5章 总结 | 第47-48页 |
| ·本文的主要工作 | 第47页 |
| ·本文的研究展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 攻读硕士学位期间发表论文情况 | 第52页 |
| 攻读硕士学位期间参与科研项目情况 | 第52页 |
