| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 1 绪论 | 第8-13页 |
| ·课题背景及研究意义 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·国外研究现状 | 第9-10页 |
| ·国内研究现状 | 第10-11页 |
| ·本文主要工作 | 第11页 |
| ·本文内容安排 | 第11-13页 |
| 2 文本分类相关技术 | 第13-24页 |
| ·文本分类概述 | 第13-14页 |
| ·文本预处理 | 第14-15页 |
| ·中文分词 | 第14页 |
| ·去除停用词 | 第14-15页 |
| ·文本表示模型 | 第15-17页 |
| ·布尔逻辑模型 | 第15-16页 |
| ·向量空间模型 | 第16-17页 |
| ·文本特征约简 | 第17页 |
| ·文本分类方法 | 第17-20页 |
| ·朴素贝叶斯 | 第18页 |
| ·KNN | 第18-19页 |
| ·决策树方法 | 第19页 |
| ·人工神经网络 | 第19-20页 |
| ·支持向量机 | 第20页 |
| ·多分类问题 | 第20-22页 |
| ·分类评价方法 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 支持向量机理论 | 第24-32页 |
| ·统计学习理论 | 第24-25页 |
| ·VC维 | 第24页 |
| ·结构风险最小化原则 | 第24-25页 |
| ·支持向量机 | 第25-30页 |
| ·支持向量机理论 | 第25-26页 |
| ·最优超平面 | 第26-30页 |
| ·支持向量机存在的问题 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 4 基于Theil熵的信息增益方法 | 第32-38页 |
| ·常用的文本特征选择方法 | 第32-33页 |
| ·信息增益评价方法目前存在的问题 | 第33-34页 |
| ·一种改进的信息增益方法 | 第34-37页 |
| ·Theil熵 | 第34-35页 |
| ·一种基于Theil熵改进的信息增益方法 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 5 基于GLOA的支持向量机算法 | 第38-49页 |
| ·支持向量机参数选取问题 | 第38-42页 |
| ·实验与数据分析 | 第38-40页 |
| ·结论 | 第40-42页 |
| ·GLOA算法 | 第42-44页 |
| ·一种基于GLOA的SVM算法 | 第44-47页 |
| ·算法描述 | 第44-45页 |
| ·实验与数据分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 6 中文文本分类系统设计及实验 | 第49-64页 |
| ·总体流程及模块设计 | 第49-51页 |
| ·系统开发平台与开发环境 | 第51页 |
| ·系统原型详细设计 | 第51-55页 |
| ·语料库处理 | 第51-52页 |
| ·预处理模块 | 第52-53页 |
| ·特征选择模块 | 第53-54页 |
| ·向量空间组建模块 | 第54-55页 |
| ·分类模块 | 第55页 |
| ·结果评价模块 | 第55页 |
| ·实验组一:验证T-IG方法在中文文本分类上的有效性 | 第55-58页 |
| ·实验组二:验证GLOA-SVM算法在中文文本分类上的有效性 | 第58-62页 |
| ·本章小结 | 第62-64页 |
| 7 展望与总结 | 第64-66页 |
| ·研究工作总结 | 第64-65页 |
| ·后续工作与展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |