| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外现状 | 第9-10页 |
| 1.3 本文的主要工作 | 第10-11页 |
| 1.4 论文结构 | 第11-12页 |
| 2 文本分类相关技术介绍 | 第12-26页 |
| 2.1 文本分类过程 | 第12-13页 |
| 2.1.1 文本分类流程和介绍 | 第12-13页 |
| 2.1.2 文本预处理 | 第13页 |
| 2.2 特征选择 | 第13-17页 |
| 2.2.1 特征选择算法 | 第14-16页 |
| 2.2.2 特征加权算法 | 第16-17页 |
| 2.3 文本表示模型 | 第17-18页 |
| 2.3.1 布尔模型 | 第17页 |
| 2.3.2 向量空间模型（Vector Space Model,VSM) | 第17-18页 |
| 2.4 相似度的计算 | 第18-19页 |
| 2.4.1 欧氏距离 | 第18页 |
| 2.4.2 余弦相似度 | 第18页 |
| 2.4.3 欧式距离和余弦相似度的区别 | 第18-19页 |
| 2.5 常用的文本分类算法 | 第19-23页 |
| 2.5.1 支持向量机分类 | 第19-21页 |
| 2.5.2 决策树分类 | 第21页 |
| 2.5.3 朴素贝叶斯分类 | 第21-22页 |
| 2.5.4 KNN分类 | 第22-23页 |
| 2.6 分类性能的评估 | 第23-25页 |
| 2.7 本章小结 | 第25-26页 |
| 3 改进的KNN文本分类算法 | 第26-40页 |
| 3.1 TF-IDF特征加权算法 | 第26-27页 |
| 3.2 经典的KNN算法 | 第27-31页 |
| 3.3 类平均相似度计算方法 | 第31页 |
| 3.4 改进的KNN算法-M算子算法 | 第31-34页 |
| 3.4.1 改进的思想和策略 | 第31页 |
| 3.4.2 M算子算法的思想和步骤 | 第31-33页 |
| 3.4.3 M算子算法与经典的KNN算法性能分析 | 第33-34页 |
| 3.4.4 M算子算法的优点 | 第34页 |
| 3.5 实验结果与分析 | 第34-38页 |
| 3.6 本章小结 | 第38-40页 |
| 4 基于标志样本改进的KNN算法 | 第40-52页 |
| 4.1 标志样本的概念 | 第40-41页 |
| 4.2 类中心法样本生成策略 | 第41-42页 |
| 4.3 改进的KNN分类算法 | 第42-46页 |
| 4.3.1 改进的标志样本生成策略 | 第42-44页 |
| 4.3.2 改进的标志样本生成策略的实现 | 第44-45页 |
| 4.3.3 改进的KNN分类算法流程 | 第45-46页 |
| 4.4 实验验证 | 第46-51页 |
| 4.4.1 算法的评估方法 | 第47页 |
| 4.4.2 实验结果 | 第47-51页 |
| 4.5 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 本文工作 | 第52页 |
| 5.2 工作展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-59页 |