| 摘要 | 第1-3页 |
| Abstract | 第3-5页 |
| 目录 | 第5-8页 |
| 表格 | 第8-9页 |
| 插图 | 第9-10页 |
| 第一章 引言 | 第10-14页 |
| ·研究背景 | 第10-11页 |
| ·本文工作和论文组织 | 第11-14页 |
| 第二章 文本分类概述 | 第14-30页 |
| ·预处理过程 | 第15-17页 |
| ·分词 | 第15-16页 |
| ·去停用词 | 第16页 |
| ·词干化 | 第16-17页 |
| ·文档表示 | 第17-18页 |
| ·布尔权重(Boolean Weighting) | 第17页 |
| ·词频型权重(Term Frequence) | 第17-18页 |
| ·维数约简 | 第18-22页 |
| ·文档频数(Document Frequence) | 第19页 |
| ·信息增益(Information Gain) | 第19-20页 |
| ·互信息(Mutual Information) | 第20-21页 |
| ·X~2统计量(X~2 Statistic) | 第21-22页 |
| ·特征重构 | 第22页 |
| ·经典文本分类算法 | 第22-27页 |
| ·KNN分类算法 | 第23页 |
| ·Rocchio算法 | 第23-24页 |
| ·Na(?)ve Bayes算法 | 第24-25页 |
| ·决策树算法 | 第25页 |
| ·神经网络 | 第25-26页 |
| ·支持向量机 | 第26-27页 |
| ·评价指标 | 第27-30页 |
| 第三章 多类文本分类 | 第30-38页 |
| ·多类文本分类问题 | 第30页 |
| ·多类分类方法 | 第30-38页 |
| ·纠错码方法(Error-Correcting Code：ECC) | 第30-34页 |
| ·Boosting：动态方法 | 第34-36页 |
| ·其他方法 | 第36-38页 |
| 第四章 基于类信息的潜在语义多类文本分类模型 | 第38-50页 |
| ·潜在语义索引 | 第38-39页 |
| ·偏最小二乘回归 | 第39-46页 |
| ·基本思想 | 第40-41页 |
| ·计算方法推导 | 第41-44页 |
| ·有效性检验 | 第44-46页 |
| ·基于类信息的潜在语义多类文本分类模型 | 第46-50页 |
| 第五章 实验 | 第50-60页 |
| ·语料库 | 第50-51页 |
| ·Reuters-21578 | 第50-51页 |
| ·复旦大学中文文本分类语料库 | 第51页 |
| ·语料库预处理 | 第51-52页 |
| ·实验结果 | 第52-60页 |
| ·试验设计 | 第52-53页 |
| ·实验结果及分析 | 第53-60页 |
| 第六章 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·未来工作 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 简历 | 第68-69页 |
| 致谢 | 第69页 |