基于元信息的文本分类与优化技术研究与实现
| 摘要 | 第1-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第11-16页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外相关研究的现状 | 第12-14页 |
| ·文本分类研究现状 | 第12-13页 |
| ·文本分类面临问题 | 第13-14页 |
| ·本文研究的主要内容 | 第14页 |
| ·本文的组织结构 | 第14-16页 |
| 第二章 文本分类相关研究 | 第16-30页 |
| ·训练语料的构建 | 第17-18页 |
| ·爬虫技术 | 第18页 |
| ·数据预处理 | 第18-21页 |
| ·文本解析 | 第18-19页 |
| ·分词 | 第19-20页 |
| ·停用词去除 | 第20-21页 |
| ·文本表示模型 | 第21-22页 |
| ·特征降维 | 第22-26页 |
| ·特征选择 | 第22-24页 |
| ·特征提取 | 第24-26页 |
| ·分类方法 | 第26-28页 |
| ·分类效果评估体系 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 基于元信息的文本分类方法 | 第30-41页 |
| ·研究背景 | 第30页 |
| ·Web 文本元信息 | 第30-35页 |
| ·新闻网页 | 第30-31页 |
| ·博客 | 第31-33页 |
| ·论坛，杂谈（BBS） | 第33-34页 |
| ·即时通信 | 第34页 |
| ·微博 | 第34-35页 |
| ·基于LDA 的文本分类算法 | 第35-38页 |
| ·主题建模背景 | 第36页 |
| ·LDA 主题建模 | 第36-37页 |
| ·中心向量法 | 第37页 |
| ·算法流程 | 第37-38页 |
| ·基于元信息的文本分类算法 | 第38-39页 |
| ·实验分析 | 第39-41页 |
| 第四章 基于元信息的文本分类性能优化算法 | 第41-48页 |
| ·问题背景 | 第41页 |
| ·基于信息增益和 LDA 的文本分类 | 第41-43页 |
| ·信息增益预过滤词汇的必要性 | 第42页 |
| ·算法流程 | 第42-43页 |
| ·分布式文本分类 | 第43-45页 |
| ·实验分析 | 第45-48页 |
| ·基于信息增益和 LDA 文本分类实验 | 第45-47页 |
| ·分类F1 值与α 关系 | 第46页 |
| ·分类器运行速度与α 关系 | 第46-47页 |
| ·分布式文本分类 | 第47-48页 |
| 第五章 面向网络舆情监测的大规模文本分类系统设计 | 第48-61页 |
| ·YHPODS 系统简介 | 第48-49页 |
| ·UIMA AS 架构简介 | 第49-53页 |
| ·UIMA 简介 | 第49-51页 |
| ·UIMA 基本概念 | 第50-51页 |
| ·UIMA 数据处理流程 | 第51页 |
| ·UIMA AS 简介 | 第51-53页 |
| ·UIMA AS 相关概念 | 第52-53页 |
| ·UIMA AS 并行机制 | 第53页 |
| ·面向舆情监测的大规模文本分类系统 | 第53-57页 |
| ·MTCS 整体设计 | 第53-55页 |
| ·大规模文件的读取 | 第55-56页 |
| ·文件解析 | 第56页 |
| ·文本分类 | 第56-57页 |
| ·系统演示 | 第57-61页 |
| 第六章 结束语 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者在学期间取得的学术成果 | 第68-69页 |
| 作者在学期间参加的科研工作 | 第69页 |
