基于图模型的Web文档分类方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第9-16页 |
| ·课题的研究背景 | 第9-10页 |
| ·Web 文档分类的背景 | 第9页 |
| ·文本分类的意义 | 第9页 |
| ·Web 文档分类的提出 | 第9-10页 |
| ·国内外研究现状及意义 | 第10-13页 |
| ·现实意义 | 第10-12页 |
| ·理论意义 | 第12-13页 |
| ·课题的提出 | 第13-15页 |
| ·现有文档分类的算法 | 第13-14页 |
| ·向量空间模型的特点 | 第14页 |
| ·图模型提出 | 第14-15页 |
| ·课题的主要工作 | 第15页 |
| ·论文的结构和组织 | 第15-16页 |
| 2 文本分类关键技术的研究 | 第16-30页 |
| ·文本分类的意义 | 第16页 |
| ·文本的词频统计 | 第16-20页 |
| ·中文分词 | 第16-18页 |
| ·语料库的预处理及结果 | 第18-20页 |
| ·特征选择方法的比较 | 第20-27页 |
| ·文档频率法 | 第20页 |
| ·信息增益法 | 第20-21页 |
| ·开方检验法 | 第21-23页 |
| ·互信息法 | 第23-24页 |
| ·论文中的特征选择结果 | 第24-27页 |
| ·特征权重计算方法的研究与改进 | 第27-30页 |
| ·布尔权重法 | 第27-28页 |
| ·TF 权重 | 第28页 |
| ·IDF 权重 | 第28页 |
| ·TF.IDF 权重 | 第28-29页 |
| ·TF-IDF-IG | 第29页 |
| ·改进后的(TF-IDF-IG)_(ij)公式 | 第29-30页 |
| 3 文档分类算法模型的研究与比较 | 第30-35页 |
| ·贝叶斯模型 | 第30-31页 |
| ·支持向量机SVM | 第31-32页 |
| ·KNN 算法 | 第32-33页 |
| ·决策树算法 | 第33-35页 |
| 4 文本表示方法的研究 | 第35-40页 |
| ·布尔模型 | 第35页 |
| ·概率模型 | 第35-36页 |
| ·向量空间模型 | 第36-38页 |
| ·图模型 | 第38-40页 |
| 5 图模型算法的设计与实现 | 第40-56页 |
| ·图的表示方法 | 第40-44页 |
| ·图的定义 | 第40页 |
| ·图的建立方法 | 第40-44页 |
| ·图相似性的度量 | 第44页 |
| ·基于图模型的文本相似度的计算 | 第44-47页 |
| ·最大公共子图的算法 | 第44-46页 |
| ·特征加权法计算相似系数 | 第46页 |
| ·图模型的文档分类算法 | 第46-47页 |
| ·算法实现 | 第47-53页 |
| ·课题的研究步骤 | 第47-49页 |
| ·实验测试的数据集 | 第49-53页 |
| ·实验结果及分析 | 第53-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 在学研究成果 | 第61-62页 |
| 致谢 | 第62页 |
