| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第6-10页 |
| 1.1 研究背景及意义 | 第6页 |
| 1.1.1 研究背景 | 第6页 |
| 1.1.2 研究意义 | 第6页 |
| 1.2 国内外研究现状 | 第6-9页 |
| 1.3 本文的研究内容 | 第9页 |
| 1.4 本文的组织结构 | 第9-10页 |
| 第2章 文本分类概述 | 第10-25页 |
| 2.1 文本预处理 | 第11-12页 |
| 2.2 文本表示方法 | 第12-14页 |
| 2.3 维数约简 | 第14-18页 |
| 2.4 文本分类算法 | 第18-22页 |
| 2.4.1 Rocchio 算法 | 第18页 |
| 2.4.2 决策树算法 | 第18-19页 |
| 2.4.3 朴素贝叶斯算法（Naive Bayes） | 第19-20页 |
| 2.4.4 KNN 算法（k-Nearest Neighbor,kNN） | 第20-21页 |
| 2.4.5 神经网络算法(Neural Networks) | 第21页 |
| 2.4.6 支持向量机 | 第21-22页 |
| 2.5 评价指标 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 基于类间距离最大化的特征抽取方法 | 第25-35页 |
| 3.1 基本符号表示 | 第25页 |
| 3.2 常用特征抽取方法 | 第25-27页 |
| 3.2.1 潜在语义索引（Latent Semantic Index, LSI） | 第25-26页 |
| 3.2.2 主成分分析（Principal Component Analysisi, PCA） | 第26-27页 |
| 3.2.3 Fisher 线性判别分析（Fisher Linear Discriminate Analysis, FDA） | 第27页 |
| 3.3 基于类间距离最大化的特征抽取方法 | 第27-29页 |
| 3.4 实验结果和分析 | 第29-34页 |
| 3.4.1 实验设计 | 第29-30页 |
| 3.4.2 实验结果及分析 | 第30-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 总结与展望 | 第35-37页 |
| 4.1 总结 | 第35页 |
| 4.2 展望 | 第35-37页 |
| 参考文献 | 第37-43页 |
| 致谢 | 第43页 |
