SVM和KNN算法在特定话题挖掘中的研究与应用
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文的研究工作与组织结构 | 第10-12页 |
| 1.3.1 论文的研究内容 | 第10-11页 |
| 1.3.2 论文的组织结构 | 第11-12页 |
| 第二章 相关背景知识与技术简介 | 第12-25页 |
| 2.1 文本预处理 | 第12-14页 |
| 2.1.1 噪声处理 | 第12页 |
| 2.1.2 中文分词和词性标注 | 第12-13页 |
| 2.1.3 去停用词 | 第13-14页 |
| 2.2 文档模型表示 | 第14-18页 |
| 2.2.1 向量空间模型(VSM) | 第14-16页 |
| 2.2.2 隐性语义分析(LSA) | 第16-17页 |
| 2.2.3 概率潜语义分析(PISA) | 第17-18页 |
| 2.3 文档相似度计算方法 | 第18-19页 |
| 2.4 文本聚类算法 | 第19-23页 |
| 2.4.1 基于划分的聚类算法 | 第19-20页 |
| 2.4.2 基于层次的聚类算法 | 第20-22页 |
| 2.4.3 基于密度的聚类算法 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 基于LDA主题模型的文本表示 | 第25-37页 |
| 3.1 传统文本模型问题分析 | 第25-27页 |
| 3.1.1 中文词性标注问题 | 第25页 |
| 3.1.2 文本模型问题 | 第25-27页 |
| 3.2 LDA主题模型 | 第27-31页 |
| 3.2.1 相关概率分布 | 第27-28页 |
| 3.2.2 LDA主题模型 | 第28-31页 |
| 3.3 吉布斯抽样算法 | 第31-32页 |
| 3.4 LDA主题建模 | 第32-36页 |
| 3.4.1 最优主题数T的选择 | 第32-34页 |
| 3.4.2 主题建模 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于SVM和KNN的话题挖掘研究 | 第37-58页 |
| 4.1 支持向量机 | 第37-44页 |
| 4.1.1 支持向量机概述 | 第37页 |
| 4.1.2 支持向量机线性分类器 | 第37-41页 |
| 4.1.3 非线性支持向量机 | 第41-42页 |
| 4.1.4 SVM核函数 | 第42-44页 |
| 4.2 LDA与SVM相结合的特定话题挖掘实验 | 第44-45页 |
| 4.3 K近邻算法(KNN) | 第45-48页 |
| 4.4 LDA与KNN相结合的特定话题挖掘实验 | 第48-49页 |
| 4.5 SVM与KNN融合的特定话题挖掘技术 | 第49-51页 |
| 4.6 实验结果及分析 | 第51-57页 |
| 4.6.1 实验环境 | 第51页 |
| 4.6.2 评价标准 | 第51-52页 |
| 4.6.3 实验数据集与实验对比结果 | 第52-57页 |
| 4.7 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
