基于张量空间模型的文本分类研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 致谢 | 第7-13页 |
| 第一章 绪论 | 第13-15页 |
| ·研究背景 | 第13页 |
| ·本文的主要研究内容 | 第13-14页 |
| ·本文的内容组织 | 第14-15页 |
| 第二章 文本分类相关技术 | 第15-24页 |
| ·文本分类概述 | 第15-16页 |
| ·文本分类的任务、目的和意义 | 第15页 |
| ·文本分类的过程和基本步骤 | 第15-16页 |
| ·文本的特征表示 | 第16-17页 |
| ·布尔模型 | 第16页 |
| ·向量空间模型 | 第16-17页 |
| ·概率模型 | 第17页 |
| ·文本特征选择 | 第17-19页 |
| ·文档频率 | 第17页 |
| ·信息增益 | 第17-18页 |
| ·交叉熵 | 第18页 |
| ·互信息 | 第18页 |
| ·χ~2 统计 | 第18页 |
| ·概率值估算 | 第18-19页 |
| ·分类器构造 | 第19-21页 |
| ·Na?ve Bayes 方法 | 第19页 |
| ·类别中心向量法 | 第19-20页 |
| ·kNN 方法 | 第20-21页 |
| ·人工神经网络方法 | 第21页 |
| ·分类器性能评价 | 第21-22页 |
| ·本章小结 | 第22-24页 |
| 第三章 支持张量机 | 第24-35页 |
| ·张量理论 | 第24-27页 |
| ·张量的起源和研究现状 | 第24-25页 |
| ·张量定义 | 第25-26页 |
| ·张量代数 | 第26-27页 |
| ·线性支持向量机 | 第27-31页 |
| ·统计学习理论 | 第27-29页 |
| ·线性支持向量机 | 第29-31页 |
| ·支持向量机相关算法 | 第31页 |
| ·支持张量机方法 | 第31-34页 |
| ·支持张量机问题描述 | 第32页 |
| ·支持张量机的交替投影解法 | 第32-34页 |
| ·收敛性证明 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于张量空间模型的文本表示方法研究 | 第35-46页 |
| ·张量空间模型概述 | 第35-38页 |
| ·向量空间模型 | 第35页 |
| ·张量空间模型 | 第35-36页 |
| ·TSM 中的关键问题 | 第36-38页 |
| ·TSM 文本表示方法 | 第38-40页 |
| ·维数确定方法 | 第38页 |
| ·特征向量映射方法 | 第38-40页 |
| ·基于随机映射的 TSM | 第40-43页 |
| ·支持张量机交替投影方法分析 | 第40页 |
| ·特征向量映射方法分析 | 第40-42页 |
| ·基于随机映射的TSM | 第42-43页 |
| ·实验结果与分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 STM 在多类文本分类方法中的应用研究 | 第46-54页 |
| ·SVM 多类分类方法介绍 | 第46-48页 |
| ·OVR 多类分类方法 | 第46-47页 |
| ·OVO 多类分类方法 | 第47页 |
| ·DAG 多类分类方法 | 第47-48页 |
| ·基于 STM 的OVR 多类分类方法 | 第48-52页 |
| ·维数确定方法 | 第48-49页 |
| ·决策函数 | 第49-50页 |
| ·算法描述 | 第50-52页 |
| ·实验结果与分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第六章 结束语 | 第54-56页 |
| ·工作总结 | 第54页 |
| ·工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间参加研究的课题和发表的论文 | 第59-60页 |
