| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-14页 |
| 1.1 本文研究意义 | 第10-11页 |
| 1.2 文本分类的背景及现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 2 系统模型的相关理论知识及技术 | 第14-18页 |
| 2.1 机器学习 | 第14页 |
| 2.2 PYTHON | 第14-15页 |
| 2.3 网络爬虫 | 第15-17页 |
| 2.4 本章小结 | 第17-18页 |
| 3 文本分类模型 | 第18-36页 |
| 3.1 文本分类简介 | 第18-19页 |
| 3.2 实验数据的抓取与文本特征分析 | 第19-24页 |
| 3.2.1 实验数据的抓取 | 第19-23页 |
| 3.2.2 文本特征分析 | 第23-24页 |
| 3.3 文本预处理 | 第24-27页 |
| 3.3.1 去停用词 | 第24-25页 |
| 3.3.2 文本分词 | 第25-26页 |
| 3.3.3 特征选择 | 第26-27页 |
| 3.4 文本表示 | 第27-30页 |
| 3.4.1 布尔模型 | 第27页 |
| 3.4.2 概率模型 | 第27-28页 |
| 3.4.3 向量空间模型 | 第28-30页 |
| 3.5 分类算法 | 第30-31页 |
| 3.6 经典的统计学习分类方法 | 第31-34页 |
| 3.6.1 朴素贝叶斯算法 | 第31-32页 |
| 3.6.2 决策树分类算法 | 第32-34页 |
| 3.7 性能评价体系 | 第34页 |
| 3.8 本章小结 | 第34-36页 |
| 4 广告提取系统模型的设计与实现 | 第36-44页 |
| 4.1 广告提取系统的模型 | 第36页 |
| 4.2 预处理模块的设计与实现 | 第36-37页 |
| 4.3 文本表示模块的设计与实现 | 第37-39页 |
| 4.4 分类模块的设计与实现 | 第39-40页 |
| 4.5 信息增益与基于LOGISTIC回归的RFE算法相结合 | 第40-43页 |
| 4.6 本章小结 | 第43-44页 |
| 5 总结与展望 | 第44-46页 |
| 5.1.本文工作总结 | 第44页 |
| 5.2 后续工作的展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |