基于知识图谱的文本分类算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 相关技术介绍 | 第15-32页 |
| 2.1 文本预处理 | 第15-16页 |
| 2.1.1 分词 | 第15-16页 |
| 2.1.2 去停用词 | 第16页 |
| 2.2 特征的选择和提取 | 第16-18页 |
| 2.3 文本表示 | 第18-20页 |
| 2.4 相似性距离测度 | 第20-22页 |
| 2.5 中文分词 | 第22-27页 |
| 2.5.1 基于Lucene的分词器 | 第23页 |
| 2.5.2 结巴分词 | 第23-25页 |
| 2.5.3 HanLP分词工具 | 第25-26页 |
| 2.5.4 中文分词的难点 | 第26-27页 |
| 2.6 实体识别 | 第27-29页 |
| 2.6.1 基于规则的实体识别方法 | 第27-28页 |
| 2.6.2 基于统计的实体识别方法 | 第28-29页 |
| 2.7 知识图谱 | 第29-30页 |
| 2.8 文本分类 | 第30-31页 |
| 2.9 本章小结 | 第31-32页 |
| 第三章 常见的文本分类算法 | 第32-43页 |
| 3.1 基于KNN的文本分类算法 | 第32-34页 |
| 3.1.1 算法流程 | 第32-33页 |
| 3.1.2 算法的优点 | 第33-34页 |
| 3.1.3 算法的缺点 | 第34页 |
| 3.1.4 算法的改进 | 第34页 |
| 3.2 基于SVM的文本分类算法 | 第34-37页 |
| 3.3 基于深度学习的文本分类算法 | 第37-40页 |
| 3.4 基于朴素贝叶斯的文本分类算法 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 改进的算法研究 | 第43-54页 |
| 4.1 基于知识图谱的相似度测量 | 第43-45页 |
| 4.2 基于知识图谱的中文分词 | 第45-47页 |
| 4.3 基于知识图谱的特征提取 | 第47-50页 |
| 4.4 基于知识图谱的文本分类算法 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 实验设计与结果分析 | 第54-71页 |
| 5.1 实验准备 | 第54-58页 |
| 5.1.1 实验环境搭建 | 第54页 |
| 5.1.2 实验数据集 | 第54-56页 |
| 5.1.3 实验设计 | 第56-57页 |
| 5.1.4 评价指标 | 第57-58页 |
| 5.2 验证性实验 | 第58-61页 |
| 5.2.1 文本预处理 | 第58页 |
| 5.2.2 中文分词实验 | 第58-60页 |
| 5.2.3 特征提取实验 | 第60-61页 |
| 5.2.4 文本分类实验 | 第61页 |
| 5.3 对比实验 | 第61-69页 |
| 5.3.1 分词实验结果对比 | 第61-63页 |
| 5.3.2 特征提取实验结果对比 | 第63-66页 |
| 5.3.3 文本分类实验结果对比 | 第66-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士期间的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
