基于本体的知识库分类研究
摘要 | 第1-7页 |
Abstract | 第7-9页 |
目录 | 第9-13页 |
第1章 绪论 | 第13-29页 |
·研究背景 | 第13-15页 |
·研究意义 | 第15-17页 |
·知识的获取 | 第15页 |
·知识的组织和管理 | 第15-16页 |
·知识的使用 | 第16-17页 |
·研究现状 | 第17-26页 |
·领域词典的生成方法 | 第17-18页 |
·领域知识库的组织方式 | 第18-19页 |
·文本表示模型 | 第19-21页 |
·文本分类研究现状 | 第21-26页 |
·研究内容和创新点 | 第26-27页 |
·论文结构 | 第27-29页 |
第2章 基于注释的领域词典自动扩充方法 | 第29-49页 |
·引言 | 第29-30页 |
·相关工作分析 | 第30-34页 |
·基于语料库的方法 | 第30-31页 |
·基于本体知识库的方法 | 第31-32页 |
·基于搜索引擎的方法 | 第32-33页 |
·三种方法对比分析 | 第33-34页 |
·基于词汇注释信息的领域词典扩充方法 | 第34-39页 |
·朴素贝叶斯分类器 | 第34-35页 |
·训练样本和候选术语的获取 | 第35页 |
·特征选择和特征权重计算 | 第35-38页 |
·新词领域标注 | 第38-39页 |
·实验及结果 | 第39-47页 |
·WordNet介绍 | 第39-40页 |
·领域标注实验描述 | 第40-41页 |
·领域标注实验结果及分析 | 第41-44页 |
·对比实验及分析 | 第44-47页 |
·小结 | 第47-49页 |
第3章 自适应的分类体系生成方法 | 第49-65页 |
·引言 | 第49-50页 |
·相关工作分析 | 第50-55页 |
·层次化分类模型的定义 | 第50-51页 |
·层次化分类模型的优点 | 第51-52页 |
·层次化分类体系的自动生成 | 第52-54页 |
·层次化分类体系的应用 | 第54-55页 |
·自适应的层次化分类模型 | 第55-61页 |
·类别的特征表示及类间相似度计算 | 第55-56页 |
·层次化分类体系的生成 | 第56-58页 |
·基于层次化分类体系的领域标注方法 | 第58-59页 |
·算法描述 | 第59-61页 |
·实验 | 第61-64页 |
·实验设计及描述 | 第61页 |
·实验结果及分析 | 第61-64页 |
·小结 | 第64-65页 |
第4章 基于本体的概念化文本特征表示 | 第65-85页 |
·引言 | 第65-66页 |
·相关工作分析 | 第66-69页 |
·基于长字词的文本特征表示 | 第66-67页 |
·基于概念的文本特征表示 | 第67-68页 |
·基于语义单元的特征表示 | 第68-69页 |
·知网简介 | 第69页 |
·概念化的特征表示方法 | 第69-77页 |
·语料预处理 | 第70-71页 |
·单词到概念的映射 | 第71-75页 |
·基于C-VSM的文本表示策略 | 第75-76页 |
·C-VSM在文本分类中的应用 | 第76-77页 |
·实验 | 第77-83页 |
·实验设计及描述 | 第77-80页 |
·实验结果及分析 | 第80-83页 |
·小结 | 第83-85页 |
第5章 基于C-VSM的文本分类算法研究 | 第85-105页 |
·引言 | 第85-86页 |
·相关工作分析 | 第86-89页 |
·特征选择算法 | 第86-87页 |
·特征权重计算 | 第87-88页 |
·文本相似度计算策略 | 第88-89页 |
·基于C-VSM模型的文本分类方法 | 第89-96页 |
·结合文档频率的局部特征选择策略 | 第89-91页 |
·偏斜语料的特征选择策略 | 第91-92页 |
·基于C-VSM的权重调整策略 | 第92-94页 |
·基于C-VSM的文本相似度计算 | 第94-96页 |
·实验 | 第96-102页 |
·实验设计及描述 | 第96-97页 |
·实验结果分析 | 第97-102页 |
·本章小结 | 第102-105页 |
第6章 结论 | 第105-109页 |
·本文主要研究工作和创新点 | 第105-106页 |
·研究工作展望 | 第106-109页 |
参考文献 | 第109-119页 |
致谢 | 第119-121页 |
在读期间发表的学术论文与取得的其他研究成果 | 第121页 |