| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究内容和创新点 | 第10页 |
| 1.3 研究生期间主要工作 | 第10-11页 |
| 1.4 论文内容及结构综述 | 第11-13页 |
| 第二章 文本分类技术研究概述 | 第13-25页 |
| 2.1 文本分类技术研究现状 | 第13-21页 |
| 2.1.1 文本分类概述 | 第13-15页 |
| 2.1.2 经典文本分类技术 | 第15-18页 |
| 2.1.3 基于深度学习的文本分类技术 | 第18-21页 |
| 2.2 HADOOP在文本分类中的应用 | 第21-22页 |
| 2.3 本章小结 | 第22-25页 |
| 第三章 基于GERAYC参数及SIM-BU-TREE的短文本分类算法 | 第25-39页 |
| 3.1 K-NN方法概述 | 第25-26页 |
| 3.2 度量空间的定义 | 第26-27页 |
| 3.3 基于度量空间相似性的短文本分类算法 | 第27-34页 |
| 3.3.1 数据预处理 | 第28-29页 |
| 3.3.2 基于度量空间的数据转换 | 第29-32页 |
| 3.3.3 改进的SIM-BU-TREE算法 | 第32-34页 |
| 3.4 实验结果分析 | 第34-37页 |
| 3.4.1 评价指标 | 第34-35页 |
| 3.4.2 结果分析 | 第35-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 基于MR框架的短文本并行化分类改进与实现 | 第39-57页 |
| 4.1 算法基本思路 | 第39-40页 |
| 4.2 基于蚁群的MR分类流程设计 | 第40-50页 |
| 4.2.1 基于蚁群的MR基本过程 | 第40-44页 |
| 4.2.2 基于蚁群的MR算法流程 | 第44-48页 |
| 4.2.3 局部信息素更新原则 | 第48-49页 |
| 4.2.4 全局信息素更新原则 | 第49-50页 |
| 4.3 基于MR的文本分类算法仿真分析 | 第50-56页 |
| 4.3.1 评价指标 | 第50页 |
| 4.3.2 仿真结果分析 | 第50-54页 |
| 4.3.3 实例结果分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 全文总结 | 第57页 |
| 5.2 进一步的工作 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |