基于本体的文本分类关键性技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| ·研究背景及意义 | 第8页 |
| ·研究现状 | 第8-9页 |
| ·研究的问题 | 第9页 |
| ·论文的组织结构 | 第9-11页 |
| 第二章 文本分类关键技术 | 第11-31页 |
| ·本体 | 第11-19页 |
| ·Gruber本体建模元语 | 第11页 |
| ·本体构建的原则 | 第11-12页 |
| ·构建本体的方法 | 第12-15页 |
| ·本体的描述语言 | 第15-16页 |
| ·本体的构建工具 | 第16-17页 |
| ·基于本体的概念的语义相似度计算 | 第17-19页 |
| ·文本的特征表示 | 第19-24页 |
| ·文本分类的定义 | 第19-20页 |
| ·文本分类的流程 | 第20页 |
| ·文本预处理 | 第20-21页 |
| ·特征提取 | 第21-24页 |
| ·特征去噪和降维 | 第24-26页 |
| ·主成份分析 | 第24-25页 |
| ·潜在语义索引 | 第25页 |
| ·非负矩阵分解 | 第25-26页 |
| ·分类算法 | 第26-28页 |
| ·K近邻算法 | 第26页 |
| ·支持向量机算法 | 第26-27页 |
| ·贝叶斯分类算法 | 第27页 |
| ·MLkNN算法 | 第27-28页 |
| ·分类性能评价 | 第28-31页 |
| 第三章 基于主成分分析的文本分类 | 第31-33页 |
| ·PCA-ML-kNN 算法 | 第31页 |
| ·PCA-ML-kNN 实验 | 第31-32页 |
| ·PCA-ML-kNN 实验结论 | 第32-33页 |
| 第四章 本体的构建 | 第33-37页 |
| ·本体二层模型方法 | 第33-34页 |
| ·本体的构建步骤 | 第34-36页 |
| ·信息科学本体的构建 | 第36-37页 |
| 第五章 基于本体的文本分类 | 第37-41页 |
| ·基于本体的单标签分类算法 | 第37页 |
| ·基于本体的MLkNNE算法及实验 | 第37-41页 |
| ·分词器 | 第37页 |
| ·Jena | 第37-38页 |
| ·实验算法 | 第38-39页 |
| ·实验结果及分析 | 第39-41页 |
| 第六章 总结及展望 | 第41-42页 |
| ·总结 | 第41页 |
| ·展望 | 第41-42页 |
| 参考文献 | 第42-47页 |
| 致谢 | 第47-48页 |
| 在学期间公开发表论文及著作情况 | 第48页 |
