| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第一章 绪论 | 第13-19页 |
| ·课题研究的背景及意义 | 第13-14页 |
| ·国内外相关的研究 | 第14-17页 |
| ·文本分类算法研究现状 | 第14-15页 |
| ·距离度量学习研究现状 | 第15-17页 |
| ·本文的主要研究内容 | 第17页 |
| ·论文的组织 | 第17-19页 |
| 第二章 距离度量学习算法 | 第19-32页 |
| ·距离度量学习算法概述 | 第19-21页 |
| ·问题的描述 | 第19-20页 |
| ·距离度量学习的一般意义 | 第20-21页 |
| ·距离度量学习与流形学习的关系 | 第21-22页 |
| ·距离度量学习与线性映射 | 第21页 |
| ·距离度量学习与非线性流行学习 | 第21-22页 |
| ·几种常见的距离度量学习算法 | 第22-31页 |
| ·无监督的距离度量学习 | 第22-24页 |
| ·有监督的距离度量学习 | 第24-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 文本分类的流程、原理以及实现 | 第32-51页 |
| ·文本预处理 | 第32-35页 |
| ·去除格式标记 | 第32-33页 |
| ·分词 | 第33-34页 |
| ·去停用词 | 第34-35页 |
| ·特征提取 | 第35-41页 |
| ·根据距离度量的特征提取算法 | 第36-37页 |
| ·基于信息度量的特征提取算法 | 第37-39页 |
| ·基于依赖性度量的特征提取算法 | 第39-40页 |
| ·基于一致性度量的特征提取算法 | 第40页 |
| ·小结 | 第40-41页 |
| ·文本的向量表示 | 第41-44页 |
| ·布尔模型 | 第41页 |
| ·向量空间模型 | 第41-42页 |
| ·特征项的权重计算 | 第42-44页 |
| ·分类算法 | 第44-46页 |
| ·K 近邻(K-Nearest Neighbor)分类算法 | 第44-45页 |
| ·朴素贝叶斯（NaiveBayes）分类算法 | 第45页 |
| ·支持向量机（Support Vector Machine） | 第45-46页 |
| ·分类性能评估 | 第46-47页 |
| ·单类赋值 | 第46-47页 |
| ·多类排序 | 第47页 |
| ·文本分类系统实现 | 第47-50页 |
| ·系统程序设计 | 第48-49页 |
| ·实验结果 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 基于大边界最近邻算法的文本分类 | 第51-64页 |
| ·背景和初衷 | 第51-52页 |
| ·基于 LMNN 算法的文本分类 | 第52-56页 |
| ·基于 LMNN 的文本分类算法流程 | 第53页 |
| ·实验仿真结果及分析 | 第53-56页 |
| ·基于密度加权的 LMNN 分类算法 | 第56-63页 |
| ·基于密度加权的 K 近邻分类算法 | 第57-58页 |
| ·实验仿真结果及分析 | 第58-63页 |
| ·本章小结 | 第63-64页 |
| 第五章 基于余弦距离度量学习的伪 K 近邻文本分类算法 | 第64-75页 |
| ·背景和初衷 | 第64-65页 |
| ·基于余弦的距离度量学习(CS-LMNN)算法 | 第65-67页 |
| ·基于余弦距离度量(CS-LMNN)的文本分类算法 | 第67-70页 |
| ·实验结果与分析 | 第68-70页 |
| ·基于 CS-LMNN 的伪 K 近邻分类 | 第70-74页 |
| ·伪 K 近邻分类算法 | 第70-71页 |
| ·基于 CS-LMNN 的伪 K 近邻分类流程 | 第71页 |
| ·实验结果与分析 | 第71-74页 |
| ·本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| ·研究工作总结 | 第75-76页 |
| ·未来的研究工作 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间的主要学术成果 | 第83页 |
