| 第1章 绪论 | 第1-16页 |
| 1．1 研究中文文本自动分类的意义 | 第9页 |
| 1．2 中文文本分类研究的现状 | 第9-10页 |
| 1．3 中文文本分类研究的基础 | 第10-13页 |
| 1．4 中文文本自动分类的典型应用 | 第13-14页 |
| 1．5 本文的主要内容 | 第14-16页 |
| 第2章 中文文本分类的框架体系 | 第16-31页 |
| 2．1 中文文本分类的框架体系 | 第16-17页 |
| 2．2 自动分词 | 第17-20页 |
| 2．2．1 机械分词方法 | 第18-19页 |
| 2．2．2 机械分词的缺陷 | 第19-20页 |
| 2．3 文本表示 | 第20-21页 |
| 2．4 特征抽取 | 第21-24页 |
| 2．5 文本自动分类 | 第24-27页 |
| 2．5．1 贝叶斯分类方法 | 第24-25页 |
| 2．5．2 矢量质心相似度法 | 第25-26页 |
| 2．5．3 kNN方法 | 第26页 |
| 2．4．4 支持向量机 | 第26-27页 |
| 2．5．5 其它分类器 | 第27页 |
| 2．6 文本聚类 | 第27-28页 |
| 2．7 自动分类模型的质量评价 | 第28-30页 |
| 2．8 本章小结 | 第30-31页 |
| 第3章 贝叶斯文本分类器 | 第31-36页 |
| 3．1 朴素贝叶斯文本分类器 | 第31-33页 |
| 3．2 利用EM算法进行无指导朴素贝叶斯分类器学习 | 第33-34页 |
| 3．3 贝叶斯网络分类器 | 第34-35页 |
| 3．4 本章小结 | 第35-36页 |
| 第4章 kNN分类器的改进 | 第36-40页 |
| 4．1 kNN分类器 | 第36-37页 |
| 4．2 改进的kNN方法 | 第37-38页 |
| 4．3 实验结果 | 第38-39页 |
| 4．4 本章小结 | 第39-40页 |
| 第5章 SVM分类器的研究 | 第40-63页 |
| 5．1 统计学习理论 | 第40-45页 |
| 5．1．1 研究背景及其发展 | 第40-41页 |
| 5．1．2 研究成果 | 第41-45页 |
| 5．2 支持向量机（SVM） | 第45-53页 |
| 5．2．1 支持向量机的原理 | 第45-49页 |
| 5．2．2 支持向量机的方法与应用 | 第49-51页 |
| 5．2．3 SVM分类器的评估与优化 | 第51-53页 |
| 5．3 对大规模文本库的训练算法及其改进 | 第53-59页 |
| 5．3．1 基本算法 | 第54-56页 |
| 5．3．2 算法有效性判断 | 第56-57页 |
| 5．3．3 算法加速措施 | 第57-59页 |
| 5．3．4 分类实践 | 第59页 |
| 5．4 多分类器的实现 | 第59-62页 |
| 5．4．1 多分类器的结构 | 第59-61页 |
| 5．4．2 SVM组合结构多分类器的实现 | 第61页 |
| 5．4．3 多分类器实践 | 第61-62页 |
| 5．5 本章小结 | 第62-63页 |
| 第6章 分类系统的实现及实验分析 | 第63-72页 |
| 6．1 分类系统的实现与使用 | 第63-65页 |
| 6．1．1 SVM分类器 | 第63-64页 |
| 6．1．2 朴素贝叶斯分类器和kNN分类器 | 第64-65页 |
| 6．2 分类系统的实验结果与分析 | 第65-67页 |
| 6．2．1 总体分析 | 第65-66页 |
| 6．2．2 SVM分类器的结果分析 | 第66-67页 |
| 6．2．3 kNN分类器和朴素贝叶斯分类器的结果分析 | 第67页 |
| 6．3 补充训练 | 第67-68页 |
| 6．4 实验数据 | 第68-71页 |
| 6．5 本章小结 | 第71-72页 |
| 结论 | 第72-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第79-80页 |
| 致谢 | 第80页 |