首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

基于改进的信息增益和LDA的文本分类研究

摘要第4-6页
abstract第6-7页
第1章 绪论第11-14页
    1.1 研究背景及意义第11-12页
    1.2 国内外研究现状第12-13页
    1.3 本文研究内容第13页
    1.4 本文组织结构第13-14页
第2章 文本分类相关技术介绍第14-28页
    2.1 文本分类简介第14-15页
    2.2 文本预处理第15-16页
    2.3 文本表示模型第16-18页
        2.3.1 布尔模型(BoolenModel)第16-17页
        2.3.2 向量空间模型(SupportVectorModel)第17-18页
        2.3.3 概率模型(ProbabilisticModel)第18页
    2.4 特征降维方法第18-23页
        2.4.1 文档频率第19页
        2.4.2 词频——逆文档频第19页
        2.4.3 ?2统计量第19-21页
        2.4.4 互信息第21-22页
        2.4.5 信息增益第22-23页
    2.5 常用的文本分类算法第23-26页
        2.5.1 KNN分类算法第23-24页
        2.5.2 朴素贝叶斯第24-25页
        2.5.3 支持向量机第25-26页
    2.6 文本分类性能评估指标第26-28页
        2.6.1 准确率和召回率第26-27页
        2.6.2 F值第27-28页
第3章 基于信息增益的特征选择方法改进第28-41页
    3.1 传统的信息增益特征选择第28-29页
        3.1.1 传统的信息增益特征选择流程第28页
        3.1.2 传统的信息增益特征选择方法的不足第28-29页
    3.2 影响特征词对文本分类的因素第29页
    3.3 词频第29-30页
        3.3.1 类间词频第30页
        3.3.2 类内词频第30页
    3.4 类间分离度和类内分散度第30-31页
        3.4.1 类间分离度第31页
        3.4.2 类内分散度第31页
    3.5 信息增益的改进第31-32页
    3.6 改进因素对公式的影响第32-36页
    3.7 实验结果第36-40页
        3.7.1 实验预料处理第36-37页
        3.7.2 实验结果对比第37-40页
    3.8 本章小结第40-41页
第4章 特征选择与LDA相结合的实现第41-53页
    4.1 主题模型第41-45页
        4.1.1 LSA主题模型第41-42页
        4.1.2 pLSA主题模型第42-43页
        4.1.3 LDA主题模型第43-45页
    4.2 改进的信息增益方法与LDA主题模型结合第45-47页
        4.2.1 结合流程第45-46页
        4.2.2 LDA主题模型中的参数调整第46-47页
    4.3 实验结果第47-52页
        4.3.1 实验环境第47页
        4.3.2 实验语料第47-48页
        4.3.3 主题数量的确定第48-49页
        4.3.4 实验结果对比第49-52页
    4.4 本章小结第52-53页
第5章 工作总结与展望第53-55页
    5.1 工作总结第53页
    5.2 工作展望第53-55页
参考文献第55-59页
致谢第59页

论文共59页,点击 下载论文
上一篇:云数据在共享单车管理中的应用与实现
下一篇:物联网环境下的跨域认证机制研究