| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 文本表示研究现状 | 第15-16页 |
| 1.2.2 文本分类的研究现状 | 第16-18页 |
| 1.3 论文主要研究内容 | 第18页 |
| 1.4 论文的总体框架 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 文本表示方法和分类方法概述 | 第20-34页 |
| 2.1 小说文本数据的预处理 | 第20-22页 |
| 2.2 特征提取方法 | 第22-25页 |
| 2.2.1 词袋模型 | 第22页 |
| 2.2.2 TF-DF算法 | 第22-23页 |
| 2.2.3 BM25算法 | 第23-25页 |
| 2.2.4 词向量的分布式表示 | 第25页 |
| 2.3 分类方法综述 | 第25-32页 |
| 2.3.1 随机森林算法 | 第25-26页 |
| 2.3.2 K最近邻算法 | 第26-27页 |
| 2.3.3 支持向量机算法 | 第27-29页 |
| 2.3.4 朴素贝叶斯算法 | 第29-31页 |
| 2.3.5 FastText算法 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 长文本分类模型 | 第34-44页 |
| 3.1 文本的特征提取 | 第34-37页 |
| 3.1.1 基于BM25的小说进行关键词的提取 | 第34页 |
| 3.1.2 基于小说关键词的关键语句块提取算法 | 第34-37页 |
| 3.1.3 基于FastText的词向量提取 | 第37页 |
| 3.2 基于关键语句块的FastText分类模型 | 第37-39页 |
| 3.3 基于朴素贝叶斯算法的纠错器 | 第39-41页 |
| 3.4 基于FastText的长文本快速精确分类模型 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 实验结果与分析 | 第44-59页 |
| 4.1 实验环境与实验数据分析 | 第44-45页 |
| 4.1.1 实验环境分析 | 第44页 |
| 4.1.2 实验数据分析 | 第44-45页 |
| 4.2 实验总体简介 | 第45-46页 |
| 4.2.1 预处理阶段实验介绍 | 第46页 |
| 4.2.2 训练阶段实验介绍 | 第46页 |
| 4.3 基于传统机器学习算法的文本分类实验 | 第46-52页 |
| 4.3.1 对题目分类的实验与分析 | 第47-50页 |
| 4.3.2 基于BM25特征的长文本分类实验 | 第50-52页 |
| 4.4 基于关键语句块特征的长文本分类实验 | 第52-58页 |
| 4.4.1 各参数的调校与实验结果的分析 | 第53-57页 |
| 4.4.2 本算法与传统方法的分析与比较 | 第57-58页 |
| 4.5 基于FastText的长文本快速精确分类模型分类实验 | 第58页 |
| 4.6 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间主要的研究成果 | 第64-65页 |
| 致谢 | 第65页 |