| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 引言 | 第12页 |
| 1.2 研究背景和意义 | 第12-13页 |
| 1.2.1 研究背景 | 第12-13页 |
| 1.2.2 研究意义 | 第13页 |
| 1.3 “写作风格”描述定义 | 第13-14页 |
| 1.4 国内外研究现状 | 第14-16页 |
| 1.5 研究工作 | 第16-17页 |
| 1.5.1 问题综述 | 第16-17页 |
| 1.5.2 主要工作 | 第17页 |
| 1.6 本文内容与结构 | 第17-19页 |
| 第2章 写作风格建模 | 第19-38页 |
| 2.1 引言 | 第19页 |
| 2.2 写作风格模型定义 | 第19-24页 |
| 2.2.1 写作风格模型定义 | 第19-21页 |
| 2.2.2 写作风格建模总体方案 | 第21-24页 |
| 2.3 特征提取选择 | 第24-34页 |
| 2.3.1 特征提取 | 第25-32页 |
| 2.3.2 特征选择 | 第32-34页 |
| 2.4 模型训练和评估 | 第34-37页 |
| 2.4.1 学习训练 | 第34-36页 |
| 2.4.2 测试和评价 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 写作风格刻画与识别 | 第38-60页 |
| 3.1 引言 | 第38页 |
| 3.2 基于聚类分析的写作风格刻画 | 第38-42页 |
| 3.2.1 聚类分析 | 第38-39页 |
| 3.2.2 写作风格刻画 | 第39-42页 |
| 3.3 基于支持向量机的写作风格识别 | 第42-49页 |
| 3.3.1 线性支持向量机 | 第42-43页 |
| 3.3.2 多类支持向量机分类 | 第43-44页 |
| 3.3.3 支持向量机的写作分类器训练 | 第44-48页 |
| 3.3.4 性能评估 | 第48-49页 |
| 3.4 实验设计及分析 | 第49-59页 |
| 3.4.1 实验环境 | 第49-50页 |
| 3.4.2 写作风格特征提取和刻画 | 第50-56页 |
| 3.4.3 SVM算法的写作风格识别 | 第56-59页 |
| 3.5 本章小结 | 第59-60页 |
| 第4章 基于集成学习的写作风格识别 | 第60-75页 |
| 4.1 引言 | 第60-61页 |
| 4.2 基于SVM-KNN组合算法的写作风格识别 | 第61-65页 |
| 4.2.1 邻近算法 | 第61-62页 |
| 4.2.2 SVM-KNN组合算法 | 第62-63页 |
| 4.2.3 基于SVM-KNN算法的分类器训练 | 第63-65页 |
| 4.3 基于元学习策略的层叠泛化方法的写作风格识别 | 第65-70页 |
| 4.3.1 相关的监督学习算法理论 | 第65-67页 |
| 4.3.2 元学习策略的叠层泛化模型 | 第67-69页 |
| 4.3.3 基于多元线性回归的的元分类器训练 | 第69-70页 |
| 4.4 实验设计及分析 | 第70-73页 |
| 4.4.1 实验环境 | 第70-71页 |
| 4.4.2 实验设计 | 第71-72页 |
| 4.4.3 不同学习算法训练的分类器性能对比 | 第72-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第5章 总结与展望 | 第75-77页 |
| 5.1 课题总结 | 第75-76页 |
| 5.1.1 研究结论 | 第75-76页 |
| 5.1.2 研究不足点 | 第76页 |
| 5.2 研究展望 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 致谢 | 第80-81页 |
| 附录Ⅰ 词性标注表 | 第81-83页 |
| 附录Ⅱ 实验数据输入的数据格式 | 第83页 |