文本分类中基于k-means的特征选择算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景和研究意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 应用前景 | 第15-17页 |
| 1.4 论文研究内容及安排 | 第17-20页 |
| 第二章 文本分类 | 第20-36页 |
| 2.1 自动文本分类步骤 | 第20-21页 |
| 2.2 分词及去停用词 | 第21-27页 |
| 2.2.1 常用语料库 | 第21-24页 |
| 2.2.2 分词技术 | 第24-26页 |
| 2.2.3 停用词技术 | 第26-27页 |
| 2.3 特征加权 | 第27-28页 |
| 2.4 文本表示 | 第28-29页 |
| 2.5 分类算法 | 第29-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第三章 特征选择算法 | 第36-42页 |
| 3.1 引言 | 第36页 |
| 3.2 特征选择概述 | 第36-38页 |
| 3.3 常用的几种特征选择算法 | 第38-41页 |
| 3.3.1 文档频率（DF） | 第38页 |
| 3.3.2 信息增益（IG） | 第38-39页 |
| 3.3.3 互信息(MI) | 第39-40页 |
| 3.3.4 期望交叉熵（ECE） | 第40页 |
| 3.3.5 卡方统计（CHI） | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 聚类特征选择算法的实现 | 第42-58页 |
| 4.1 k-means聚类算法 | 第42-45页 |
| 4.2 基于k-means的特征选择算法 | 第45-47页 |
| 4.3 实验平台实现 | 第47-49页 |
| 4.4 结果分析 | 第49-56页 |
| 4.4.1 实验设置 | 第49-52页 |
| 4.4.2 结果分析 | 第52-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 实验与分析 | 第58-64页 |
| 5.1 实验设置 | 第58-59页 |
| 5.1.1 实验方法 | 第58页 |
| 5.1.2 数据准备 | 第58-59页 |
| 5.2 性能对比分析 | 第59-62页 |
| 5.3 本章小结 | 第62-64页 |
| 第六章 总结和展望 | 第64-66页 |
| 6.1 论文总结 | 第64页 |
| 6.2 研究展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |
| 1. 基本情况 | 第72页 |
| 2. 教育背景 | 第72-73页 |
