| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 引言 | 第8-11页 |
| 1.1 研究背景及研究意义 | 第8-9页 |
| 1.2 本文工作 | 第9-10页 |
| 1.3 本文的内容组织 | 第10-11页 |
| 2 半监督学习 | 第11-22页 |
| 2.1 半监督学习的概念及意义 | 第11-12页 |
| 2.2 半监督学习的研究现状 | 第12-13页 |
| 2.3 半监督学习的算法 | 第13-21页 |
| 2.3.1 Co-training 算法 | 第14-16页 |
| 2.3.2 Self–training | 第16-17页 |
| 2.3.3 半监督支持向量机 | 第17-19页 |
| 2.3.4 基于图的方法 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 文本分类关键技术 | 第22-38页 |
| 3.1 文本分类问题描述 | 第22-25页 |
| 3.1.1 文本分类的定义 | 第22-23页 |
| 3.1.2 文本自动分类系统 | 第23-25页 |
| 3.2 文本预处理 | 第25-27页 |
| 3.2.1 去除文档中的格式标记 | 第25页 |
| 3.2.2 过滤非法字符和字母大小写转换 | 第25页 |
| 3.2.3 去除停用词、稀有词和词干化处理 | 第25-26页 |
| 3.2.4 中文分词 | 第26-27页 |
| 3.3 文本表示模型 | 第27-29页 |
| 3.4 几种文本特征选择方法 | 第29-31页 |
| 3.4.1 信息增益 | 第29页 |
| 3.4.2 期望交叉熵 | 第29-30页 |
| 3.4.3 互信息(MI) | 第30页 |
| 3.4.4 基于文档频率（Document Frequency，DF）的方法 | 第30-31页 |
| 3.4.5 χ~2统计量 | 第31页 |
| 3.5 常用的文本分类方法---文本分类方法 | 第31-35页 |
| 3.5.1 K 近邻 | 第31-32页 |
| 3.5.2 Rocchio 分类方法算法 | 第32-33页 |
| 3.5.3 支持向量机 | 第33-34页 |
| 3.5.4 朴素贝叶斯 | 第34-35页 |
| 3.6 分类器性能评估 | 第35-37页 |
| 3.7 本章小结 | 第37-38页 |
| 4. 基于 MARKOV 随机游走的渐进式半监督文本分类研究 | 第38-43页 |
| 4.1 MARKOV 随机游走图的生成 | 第38-39页 |
| 4.2 基于 MARKOV 随机游走半监督分类模型 | 第39-40页 |
| 4.3 加入渐进学习思想的半监督 MARKOV 随机游走模型 | 第40-42页 |
| 4.4 本章小节 | 第42-43页 |
| 5 实验设计及结果分析 | 第43-48页 |
| 5.1 实验准备 | 第43页 |
| 5.2 实验设计 | 第43页 |
| 5.2.1 初始点的选择 | 第43页 |
| 5.2.2 对比试验设计 | 第43页 |
| 5.3 参数调整 | 第43-45页 |
| 5.3.1 剪枝邻接点数k 的选择 | 第44页 |
| 5.3.2 衰减函数参数α值的选择 | 第44-45页 |
| 5.3.3 最优游走步数t的选择 | 第45页 |
| 5.4 实验结果及分析 | 第45-47页 |
| 5.5 本章小结 | 第47-48页 |
| 6 总结与展望 | 第48-49页 |
| 6.1 总结 | 第48页 |
| 6.2 未来工作 | 第48-49页 |
| 参考文献 | 第49-55页 |
| 简历 | 第55-56页 |
| 致谢 | 第56页 |
