| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景 | 第9-11页 |
| ·文本分类技术 | 第11-13页 |
| ·发展阶段 | 第11-12页 |
| ·存在的不足 | 第12-13页 |
| ·本文主要工作和贡献 | 第13页 |
| ·论文组织结构 | 第13-15页 |
| 第2章 文本分类概述 | 第15-27页 |
| ·文本分类的一般性描述 | 第15-16页 |
| ·文本分类的关键问题 | 第16-21页 |
| ·训练文本集 | 第16页 |
| ·文本的表示模型 | 第16-17页 |
| ·特征选择 | 第17-21页 |
| ·常用文本分类方法 | 第21-25页 |
| ·简单向量距离分类法 | 第21页 |
| ·KNN（K 最近邻居）算法 | 第21-22页 |
| ·贝叶斯分类法 | 第22-23页 |
| ·基于投票的方法 | 第23页 |
| ·支持向量机（SVM） | 第23-24页 |
| ·其他分类方法 | 第24-25页 |
| ·性能评价标准 | 第25-27页 |
| 第3章 基于概率主题模型的文本生成方法 | 第27-40页 |
| ·概率主题模型简介 | 第27-31页 |
| ·TF-IDF 模型 | 第28页 |
| ·一元混合模型（Mixture of unigrams） | 第28-29页 |
| ·LSI 模型 | 第29页 |
| ·pLSI 模型 | 第29-31页 |
| ·LDA（LATENT DIRICHLET ALLOCATION）模型 | 第31-35页 |
| ·模型描述 | 第31-33页 |
| ·抽取算法 | 第33-35页 |
| ·基于LDA 概率主题模型的文本生成 | 第35-36页 |
| ·实验及分析 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 第4章 基于概率主题模型的数据偏斜文本分类 | 第40-55页 |
| ·数据偏斜 | 第40-48页 |
| ·数据偏斜分析 | 第41-42页 |
| ·数据偏斜处理方法 | 第42-47页 |
| ·研究趋势 | 第47-48页 |
| ·基于LDA 模型的偏斜文本分类算法 | 第48-50页 |
| ·基本思路 | 第48-49页 |
| ·算法设计 | 第49-50页 |
| ·实验及分析 | 第50-53页 |
| ·实验设置 | 第50-51页 |
| ·实验结果分析 | 第51-53页 |
| ·本章小结 | 第53-55页 |
| 第5章 基于概率主题模型的噪声处理方法研究 | 第55-64页 |
| ·文本分类中的噪声问题 | 第55页 |
| ·基于LDA 的噪声处理 | 第55-59页 |
| ·数据平滑 | 第55-57页 |
| ·基于类别熵的噪声识别 | 第57页 |
| ·算法设计 | 第57-59页 |
| ·实验及分析 | 第59-62页 |
| ·实验设计 | 第59-60页 |
| ·实验结果分析 | 第60-62页 |
| ·本章小结 | 第62-64页 |
| 第6章 结论与工作展望 | 第64-67页 |
| ·结论 | 第64-65页 |
| ·进一步的工作 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 在读期间发表的学术论文与取得的研究成果 | 第72页 |