| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-11页 |
| 1 绪论 | 第11-18页 |
| ·问题的提出及其意义 | 第11-12页 |
| ·国内外现状 | 第12页 |
| ·国内研究进展概况 | 第12-15页 |
| ·现有系统存在的缺陷 | 第15-16页 |
| ·本文的研究工作 | 第16页 |
| ·本文的组织结构 | 第16-18页 |
| 2 文本分类概述 | 第18-27页 |
| ·两种文本表示方法 | 第18-19页 |
| ·词袋方式(Bag of Words) | 第18页 |
| ·N-gram 模型 | 第18-19页 |
| ·向量空间模型 | 第19页 |
| ·常用的分类方法 | 第19-23页 |
| ·k-近邻法(k-Nearest Neighbor ) | 第19-20页 |
| ·支持向量机 | 第20-22页 |
| ·朴素贝叶斯法(Naive Bayes) | 第22-23页 |
| ·文本分类的评价方法 | 第23-26页 |
| ·查全率与查对率、宏平均与微平均 | 第24-25页 |
| ·BEP(Break-even point)和F1(F-measure) | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 3 特征提取算法 TFIDF 的改进 | 第27-34页 |
| ·常用的特征抽取方法 | 第27-29页 |
| ·文档频率DF(Document Frequency:DF) | 第27页 |
| ·信息增益方法IG(Imformation Gain:IG) | 第27页 |
| ·互信息方法MI(Mutual Information:MI) | 第27-28页 |
| ·x2 统计量(CHI) | 第28-29页 |
| ·TFIDF | 第29-33页 |
| ·特征项频率(Term Frequency: TF) | 第29页 |
| ·反文档频率(Inverse Document Frequency:IDF) | 第29页 |
| ·TFIDF 的不足 | 第29-31页 |
| ·TFIDF 的改进 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 4 遗传算法用于文本分类 | 第34-43页 |
| ·引言 | 第34页 |
| ·遗传算法简介 | 第34-38页 |
| ·基本原理 | 第34-35页 |
| ·编码问题 | 第35页 |
| ·交叉运算 | 第35-36页 |
| ·变异运算 | 第36-37页 |
| ·选择运算 | 第37-38页 |
| ·适应度函数 | 第38页 |
| ·遗传算法参数 | 第38-39页 |
| ·分类模型 | 第39-40页 |
| ·用遗传算法进行特征提取的文本分类系统 | 第40-41页 |
| ·系统模型 | 第40-41页 |
| ·系统描述 | 第41页 |
| ·本章小结 | 第41-43页 |
| 5 实验结果与分析 | 第43-54页 |
| ·引言 | 第43页 |
| ·实验介绍 | 第43-44页 |
| ·实验结果及其分析 | 第44-52页 |
| ·混淆矩阵 | 第44-47页 |
| ·总体查全率、查对率、F_1 值 | 第47-48页 |
| ·各个类的查全率、查对率、F_1 值 | 第48-50页 |
| ·各个类的分类情况图形显示 | 第50-52页 |
| ·本节小结 | 第52页 |
| ·本章小结 | 第52-54页 |
| 6 结论与展望 | 第54-55页 |
| ·本文的工作总结 | 第54页 |
| ·对未来工作的展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录：作者在攻读硕士学位期间发表论文的目录 | 第59-60页 |
| 独创性声明 | 第60页 |
| 学位论文版权使用授权书 | 第60页 |
