| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 文本分类的发展 | 第10-12页 |
| 1.2.2 多标记学习的发展 | 第12-13页 |
| 1.3 主要内容与组织结构 | 第13-15页 |
| 第二章 文本分类技术综述 | 第15-25页 |
| 2.1 文本分类的一般框架 | 第15-16页 |
| 2.2 文本的表示 | 第16-22页 |
| 2.2.1 文本集合的获取 | 第16页 |
| 2.2.2 文本预处理 | 第16-18页 |
| 2.2.3 特征选择 | 第18-21页 |
| 2.2.4 特征加权 | 第21-22页 |
| 2.3 文本分类算法 | 第22-23页 |
| 2.4 文本分类的评价指标 | 第23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 基于多标记学习的文本分类框架 | 第25-33页 |
| 3.1 基于多标记学习的文本分类框架 | 第25-26页 |
| 3.2 多标记学习中文本的表示 | 第26-29页 |
| 3.2.1 多标记文本数据集 | 第26-27页 |
| 3.2.2 文本变换 | 第27-28页 |
| 3.2.3 文本向量组合 | 第28-29页 |
| 3.3 多标记学习中的分类算法 | 第29-30页 |
| 3.4 多标记学习算法的评价指标 | 第30-32页 |
| 3.5 多标记学习的分类测试 | 第32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 基于新型多标记集成学习方法的文本分类 | 第33-41页 |
| 4.1 集成特征选择方法 | 第33-34页 |
| 4.2 基于MLKNN的集成分类En-MLKNN算法 | 第34-38页 |
| 4.2.1 集成分类模型 | 第34-37页 |
| 4.2.2 多标记集成学习文本分类En-MLKNN算法 | 第37-38页 |
| 4.3 实验与评价 | 第38-40页 |
| 4.3.1 实验配置 | 第38-39页 |
| 4.3.2 实验结果 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 基于代价敏感的多标记集成学习文本分类算法 | 第41-51页 |
| 5.1 特征加权的归一化 | 第41页 |
| 5.2 基于代价敏感的集成分类En-MLCKNN算法 | 第41-47页 |
| 5.2.1 基于代价敏感的MLCKNN算法 | 第43-46页 |
| 5.2.2 基于MLCKNN的En-MLCKNN算法 | 第46-47页 |
| 5.3 集成学习En-MLCKNN算法实验 | 第47-50页 |
| 5.3.1 实验配置 | 第47-48页 |
| 5.3.2 实验结果 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第55-56页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第56-57页 |
| 致谢 | 第57页 |
