基于最近邻子空间搜索的文本分类算法
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究的背景及意义 | 第10-12页 |
| 1.1.1 研究的背景 | 第10-11页 |
| 1.1.2 研究的意义 | 第11-12页 |
| 1.2 主要研究内容 | 第12页 |
| 1.3 本文组织结构 | 第12-14页 |
| 第2章 文本分类方法综述 | 第14-24页 |
| 2.1 文本分类定义 | 第14页 |
| 2.2 文本分类的体系框架 | 第14-16页 |
| 2.3 文本表示 | 第16-19页 |
| 2.3.1 布尔模型 | 第17页 |
| 2.3.3 向量空间模型 | 第17-19页 |
| 2.4 文本分类算法 | 第19-22页 |
| 2.4.1 Rocchio 算法 | 第20页 |
| 2.4.2 Naive Bayes 算法 | 第20-21页 |
| 2.4.3 K 近邻方法 | 第21-22页 |
| 2.5 文本分类评价 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 最近邻子空间搜索算法的研究 | 第24-30页 |
| 3.1 子空间距离的定义 | 第24页 |
| 3.2 映射模型 | 第24-27页 |
| 3.3 文本的子空间构建 | 第27-28页 |
| 3.4 最近邻分类器 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 基于最近邻子空间搜索的文本分类方法研究 | 第30-45页 |
| 4.1 文本预处理 | 第30-31页 |
| 4.2 特征提取 | 第31-34页 |
| 4.2.1 文档频率 | 第31-32页 |
| 4.2.2 CHI 统计 | 第32-33页 |
| 4.2.3 信息增益 | 第33页 |
| 4.2.4 联合特征提取方法 | 第33-34页 |
| 4.3 特征项赋权 | 第34-39页 |
| 4.4 基于最近邻子空间搜索算法的文本分类方法 | 第39-44页 |
| 4.4.1 待分类文本的降维——PCA | 第39-42页 |
| 4.4.2 文本特征向量的提取 | 第42-43页 |
| 4.4.3 文本分类的过程 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 实验结果及分析 | 第45-54页 |
| 5.1 子空间维度的选择 | 第45-46页 |
| 5.1.1 子空间维度与保真度关系实验对比 | 第45页 |
| 5.1.2 子空间维度与分类效果实验对比 | 第45-46页 |
| 5.2 两类文本分类 | 第46-50页 |
| 5.3 多类文本分类 | 第50-52页 |
| 5.4 本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间所发表的学术论文 | 第60-62页 |
| 致谢 | 第62页 |
