基于机器学习的中文文本分类方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 引言 | 第7-11页 |
| ·研究背景与意义 | 第7页 |
| ·中文文本分类的研究基础 | 第7-8页 |
| ·文本分类研究进展 | 第8-9页 |
| ·论文研究工作概述 | 第9页 |
| ·论文的组织结构 | 第9-11页 |
| 第二章 文本分类相关技术 | 第11-33页 |
| ·文本分类的一般过程 | 第11-12页 |
| ·机器学习思想描述 | 第12-13页 |
| ·文本表示 | 第13-21页 |
| ·文本预处理 | 第13-16页 |
| ·文本表示模型 | 第16-21页 |
| ·特征处理 | 第21-26页 |
| ·特征提取方法 | 第22-24页 |
| ·特征词权重确定 | 第24-26页 |
| ·文本分类方法 | 第26-29页 |
| ·简单向量距离算法 | 第26-27页 |
| ·KNN（K 最近邻居）算法 | 第27页 |
| ·贝叶斯方法 | 第27-28页 |
| ·决策树法 | 第28-29页 |
| ·支持向量机算法 | 第29页 |
| ·文本分类效果评价 | 第29-31页 |
| ·查全率和查准率 | 第30页 |
| ·F-测量 | 第30页 |
| ·微平均和宏平均 | 第30-31页 |
| ·研究现状 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 IT 领域文本分类模型 | 第33-47页 |
| ·IT 领域文本分类模型 | 第33页 |
| ·IT 领域语料库设计 | 第33-34页 |
| ·WDP 特征向量的形成 | 第34-40页 |
| ·特征提取 | 第34-36页 |
| ·特征权重的确定 | 第36-40页 |
| ·支持向量机与朴素贝叶斯的组合分类器 | 第40-45页 |
| ·支持向量机 | 第41-42页 |
| ·朴素贝叶斯算法 | 第42-43页 |
| ·支持向量机与朴素贝叶斯的组合分类器 | 第43-45页 |
| ·本章小结 | 第45-47页 |
| 第四章 文本分类系统实验及结果分析 | 第47-57页 |
| ·系统原型的功能模块介绍 | 第47-48页 |
| ·文本分类演示原型 | 第48-52页 |
| ·IT 领域的文本语料库 | 第48-49页 |
| ·文本的预处理 | 第49页 |
| ·WDP 特征处理 | 第49-50页 |
| ·格式转换 | 第50页 |
| ·训练及分类过程 | 第50-52页 |
| ·分类效果评价 | 第52页 |
| ·实验结果与分析 | 第52-56页 |
| ·WDP 特征处理实验结果 | 第52-55页 |
| ·组合分类器实验结果 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| ·论文总结 | 第57页 |
| ·研究前景展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 读研期间科研成果 | 第64-65页 |
