| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要工作 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 2 文本分类技术 | 第12-26页 |
| 2.1 文本分词 | 第12-14页 |
| 2.2 向量空间模型 | 第14-16页 |
| 2.3 文本分类特征选择 | 第16-19页 |
| 2.4 文本分类实现方法 | 第19-23页 |
| 2.5 分类评估 | 第23-25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 基于随机森林的特征选择方法 | 第26-31页 |
| 3.1 随机森林法原理 | 第26-27页 |
| 3.2 随机森林用于特征选择 | 第27-30页 |
| 3.3 本章小结 | 第30-31页 |
| 4 分类算法介绍 | 第31-38页 |
| 4.1 基于临近点的分类方法 | 第31-34页 |
| 4.2 贝叶斯分类 | 第34-37页 |
| 4.3 本章小结 | 第37-38页 |
| 5 实证分析 | 第38-51页 |
| 5.1 文本预处理 | 第38-41页 |
| 5.2 CHI统计与随机森林Boruta算法特征选择 | 第41-43页 |
| 5.3 K近邻法文本分类实证分析 | 第43-47页 |
| 5.4 朴素贝叶斯文本分类实证分析 | 第47-49页 |
| 5.5 基于TF-IDF-VSM的分类模型对比评估 | 第49-50页 |
| 5.6 本章小结 | 第50-51页 |
| 6 总结与展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58-60页 |