| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-11页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 本文的工作 | 第10页 |
| 1.4 本文的结构 | 第10-11页 |
| 2 文本分类的流程 | 第11-24页 |
| 2.1 文本的表示 | 第11-12页 |
| 2.1.1 文本预处理 | 第11-12页 |
| 2.1.2 向量空间模型 | 第12页 |
| 2.2 特征降维 | 第12-15页 |
| 2.2.1 特征选择 | 第12-14页 |
| 2.2.2 特征重构 | 第14-15页 |
| 2.3 分类器的选择与训练 | 第15-19页 |
| 2.3.1 基于机器学习的分类方法 | 第15页 |
| 2.3.2 支持向量机(SVM) | 第15-17页 |
| 2.3.3 朴素贝叶斯分类方法(Naive Bayes) | 第17-18页 |
| 2.3.4 K-近邻算法(K-NN) | 第18页 |
| 2.3.5 多类分类问题 | 第18-19页 |
| 2.4 结果评测 | 第19-23页 |
| 2.4.1 实验语料 | 第19-21页 |
| 2.4.2 评测工具 | 第21-22页 |
| 2.4.3 评测指标 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于语义的文本分类方法 | 第24-35页 |
| 3.1 丰富文本语义的方法 | 第24-30页 |
| 3.1.1 概述 | 第24页 |
| 3.1.2 潜在语义索引 | 第24-27页 |
| 3.1.3 潜在语义索引示例 | 第27-29页 |
| 3.1.4 显式语义信息 | 第29-30页 |
| 3.2 基于丰富语义信息的文本表示 | 第30-32页 |
| 3.2.1 维基百科 | 第30-31页 |
| 3.2.2 向文本表示中加入语义信息 | 第31-32页 |
| 3.3 实验设计与结果分析 | 第32-34页 |
| 3.3.1 实验语料 | 第32-33页 |
| 3.3.2 实验结果 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于质心的文本分类方法 | 第35-54页 |
| 4.1 研究背景 | 第35-36页 |
| 4.2 基于质心的文本分类 | 第36-37页 |
| 4.3 基于特征选择和质心构建的文本分类 | 第37-39页 |
| 4.3.1 本文基于质心方法的步骤 | 第37-38页 |
| 4.3.2 特征选择与质心权重的计算 | 第38-39页 |
| 4.3.3 文档与类别质心的相似度计算 | 第39页 |
| 4.4 实验设计与结果分析 | 第39-48页 |
| 4.4.1 实验语料及对比实验 | 第39-40页 |
| 4.4.2 实验结果及分析 | 第40-48页 |
| 4.5 其它质心权重计算方法 | 第48-51页 |
| 4.6 特征选择的相关实验 | 第51-53页 |
| 4.7 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-61页 |