| 中文摘要 | 第1-3页 |
| ABSTRACT | 第3-9页 |
| 第一章 绪论 | 第9-36页 |
| ·选题的研究背景和意义 | 第9-11页 |
| ·文本挖掘概述 | 第11-16页 |
| ·文本数据的特点 | 第12-13页 |
| ·文本挖掘的功能 | 第13-14页 |
| ·文本挖掘的过程 | 第14页 |
| ·文本挖掘面临的课题 | 第14-16页 |
| ·文本分类的主要技术 | 第16-25页 |
| ·文本表示模型 | 第16-18页 |
| ·文本特征空间的降维 | 第18-20页 |
| ·文本分类方法概述 | 第20-25页 |
| ·决策树分类算法 | 第25-30页 |
| ·决策树算法研究进展 | 第26-29页 |
| ·决策树的优缺点 | 第29-30页 |
| ·KNN分类算法 | 第30-33页 |
| ·KNN分类算法概述 | 第30页 |
| ·KNN分类方法的优缺点 | 第30-31页 |
| ·KNN的改进方法 | 第31-33页 |
| ·本文的主要工作和创新点 | 第33-36页 |
| 第二章 决策树分类算法和KNN分类算法介绍 | 第36-50页 |
| ·决策树分类算法概述 | 第36-40页 |
| ·决策树基本概念 | 第36-37页 |
| ·决策树的生成 | 第37-38页 |
| ·决策树的测试属性选择 | 第38页 |
| ·决策树的剪枝 | 第38-39页 |
| ·决策树的规则抽取 | 第39-40页 |
| ·模糊决策树和清晰决策树的比较 | 第40-43页 |
| ·数据预处理 | 第40-41页 |
| ·生成决策树 | 第41页 |
| ·抽取的规则 | 第41-42页 |
| ·匹配 | 第42-43页 |
| ·传统KNN算法 | 第43-44页 |
| ·ADAMENN算法 | 第44-47页 |
| ·Chi-square距离 | 第44-45页 |
| ·权重计算 | 第45-46页 |
| ·ADAMENN算法 | 第46-47页 |
| ·array-index算法 | 第47-50页 |
| ·SS-Tree介绍 | 第47-48页 |
| ·array-index算法 | 第48-50页 |
| 第三章 基于决策树的文本分类规则抽取 | 第50-62页 |
| ·一种基于改进的χ~2 统计量和模式聚合的特征降维方法 | 第50-54页 |
| ·改进的χ~2 统计量 | 第51-52页 |
| ·基于模式聚合理论的特征降维 | 第52页 |
| ·一个简单算例分析 | 第52-54页 |
| ·基于模式聚合和决策树的文本分类规则抽取方法 | 第54-57页 |
| ·文本分类规则获取概述 | 第54页 |
| ·基于决策树的文本分类规则抽取 | 第54-56页 |
| ·仿真实验 | 第56-57页 |
| ·基于粗集理论和决策树的文本分类规则的抽取 | 第57-61页 |
| ·粗糙集概述 | 第57-59页 |
| ·基于CHI值原理和粗集理论的特征抽取 | 第59页 |
| ·基于决策树的文本分类规则的抽取 | 第59-60页 |
| ·仿真实验 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第四章 基于模糊决策树的文本分类规则抽取 | 第62-74页 |
| ·引言 | 第62-63页 |
| ·基于模糊决策树的文本分类规则抽取方法一 | 第63-69页 |
| ·数据的模糊化 | 第63-65页 |
| ·一种进行分枝合并的模糊决策树 | 第65-66页 |
| ·基于模糊决策树的相似文本分类规则抽取 | 第66-68页 |
| ·仿真实验 | 第68-69页 |
| ·基于模糊决策树的文本分类规则抽取方法二 | 第69-73页 |
| ·基于类信息熵和密度分布函数的数据模糊化方法 | 第69-71页 |
| ·基于模糊决策树的相似文本分类规则抽取 | 第71-72页 |
| ·仿真实验 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第五章 基于特征权重修正的改进KNN算法 | 第74-87页 |
| ·引言 | 第74-75页 |
| ·基于神经网络的权重调整和特征选择 | 第75-77页 |
| ·基于神经网络的权重调整 | 第75-76页 |
| ·基于神经网络的特征选择 | 第76-77页 |
| ·基于特征权重修正的改进KNN方法一 | 第77-80页 |
| ·改进的KNN算法 | 第77-78页 |
| ·仿真实验 | 第78-80页 |
| ·基于特征权重修正的改进KNN方法二 | 第80-86页 |
| ·基于SS-Tree方法的训练样本空间区域划分 | 第80-83页 |
| ·改进的KNN文本分类算法 | 第83-85页 |
| ·仿真实验 | 第85-86页 |
| ·本章小结 | 第86-87页 |
| 第六章 用于文本分类的快速KNN算法 | 第87-101页 |
| ·加快KNN文本分类速度的方法概述 | 第87-89页 |
| ·SSR-Tree | 第89-90页 |
| ·用于文本分类的快速KNN算法——TFKNN算法 | 第90-99页 |
| ·TFKNN算法搜索范围的分析与证明 | 第90-96页 |
| ·搜索K个最近邻 | 第96-97页 |
| ·用于文本分类的TFKNN算法 | 第97页 |
| ·仿真试验 | 第97-99页 |
| ·本章小结 | 第99-101页 |
| 第七章 基于样本库裁减的改进KNN算法 | 第101-111页 |
| ·基于CURE聚类算法的代表样本获取 | 第101-104页 |
| ·CURE算法的核心思想 | 第101-102页 |
| ·基于CURE算法的代表样本的获取 | 第102-104页 |
| ·基于tabu方法的训练样本库维护 | 第104-108页 |
| ·tabu搜索算法基本思想 | 第104页 |
| ·基于tabu方法的训练样本库维护 | 第104-108页 |
| ·基于训练样本库裁减的改进KNN算法 | 第108-110页 |
| ·基于训练样本库裁减的改进KNN算法 | 第108-109页 |
| ·仿真实验 | 第109-110页 |
| ·本章小结 | 第110-111页 |
| 第八章 总结和展望 | 第111-114页 |
| ·全文总结 | 第111-113页 |
| ·研究前景与展望 | 第113-114页 |
| 参考文献 | 第114-126页 |
| 发表论文和科研情况说明 | 第126-127页 |
| 致谢 | 第127页 |