快速文本分类研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 引言 | 第7-12页 |
| ·研究背景 | 第7页 |
| ·研究意义 | 第7-8页 |
| ·研究历史 | 第8-9页 |
| ·研究现状 | 第9-11页 |
| ·特征选择与压缩 | 第9页 |
| ·分类器组合 | 第9-10页 |
| ·小样本问题 | 第10页 |
| ·层次文本分类 | 第10页 |
| ·样本不均衡问题 | 第10-11页 |
| ·研究内容 | 第11-12页 |
| 第二章 文本分类方法概述 | 第12-22页 |
| ·文本的表示 | 第12-14页 |
| ·文本向量的表示方法 | 第12-13页 |
| ·文本向量的特征权重表示方法 | 第13-14页 |
| ·分词方法 | 第14-15页 |
| ·基于字符串匹配的分词方法 | 第14页 |
| ·基于统计的分词方法 | 第14页 |
| ·专家系统分词方法 | 第14-15页 |
| ·神经网络的分词方法 | 第15页 |
| ·特征选择 | 第15-17页 |
| ·词频方法 | 第15页 |
| ·信息增益方法 | 第15-16页 |
| ·互信息方法 | 第16页 |
| ·交叉熵方法 | 第16页 |
| ·文本证据权方法 | 第16页 |
| ·CHI 统计方法 | 第16-17页 |
| ·几率比方法 | 第17页 |
| ·分类方法 | 第17-20页 |
| ·贝叶斯方法 | 第17-18页 |
| ·k 近邻方法 | 第18页 |
| ·决策树方法 | 第18页 |
| ·支持向量机方法 | 第18页 |
| ·神经网络方法 | 第18-19页 |
| ·基于投票的方法 | 第19页 |
| ·Rocchio 方法 | 第19页 |
| ·Sleeping Expert 方法 | 第19-20页 |
| ·分类算法评估指标 | 第20-22页 |
| ·召回率与精确率 | 第20页 |
| ·BEP 与F-Measure | 第20-21页 |
| ·微平均与宏平均 | 第21-22页 |
| 第三章 快速文本分类技术 | 第22-33页 |
| ·降维技术 | 第22-27页 |
| ·类别可分离性判据 | 第22-23页 |
| ·特征提取 | 第23-25页 |
| ·特征搜索 | 第25-26页 |
| ·特征排序 | 第26-27页 |
| ·索引技术 | 第27-31页 |
| ·R 树 | 第28-29页 |
| ·SS 树 | 第29-30页 |
| ·VP 树 | 第30页 |
| ·Grid 文件 | 第30-31页 |
| ·样本裁减 | 第31-33页 |
| ·最近邻编辑 | 第31-32页 |
| ·样本学习法 | 第32页 |
| ·样本修正法 | 第32-33页 |
| 第四章 基于边界可信度相似的快速文本分类方法 | 第33-44页 |
| ·中心向量法和KNN 法的文本分类方法及特性 | 第33-35页 |
| ·中心向量法文本分类及其特性 | 第33-34页 |
| ·KNN 法文本分类及其特性 | 第34-35页 |
| ·基于边界可信度相似的快速文本分类思想 | 第35-36页 |
| ·基于边界可信度相似的快速文本分类方法 | 第36-38页 |
| ·边界距离定义及计算 | 第36页 |
| ·基于边界可信度的相似性度量 | 第36-37页 |
| ·基于边界可信度相似的快速文本分类算法 | 第37-38页 |
| ·实验设计与分析 | 第38-42页 |
| ·本章小结 | 第42-44页 |
| 第五章 基于类别分布特征的快速文本分类方法 | 第44-51页 |
| ·类别分布特征对文本分类的影响 | 第44-45页 |
| ·平衡类别分布的策略 | 第45页 |
| ·基于类别分布特征的文本分类思想 | 第45-46页 |
| ·基于类别分布特征的文本分类方法 | 第46-47页 |
| ·自适应相似性度量 | 第46页 |
| ·基于类别分布特征的快速文本分类算法 | 第46-47页 |
| ·实验设计与分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-52页 |
| ·总结 | 第51页 |
| ·进一步研究及展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第56页 |
