基于机器学习模型的论文自动分类模型研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 导论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究的目的及意义 | 第11页 |
| 1.2.1 研究目的 | 第11页 |
| 1.2.2 研究意义 | 第11页 |
| 1.3 国内外研究综述 | 第11-13页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 研究内容和结构安排 | 第13页 |
| 1.5 可能的创新之处 | 第13-14页 |
| 1.6 不足之处 | 第14-15页 |
| 第2章 相关算法的概念及理论基础 | 第15-21页 |
| 2.1 文本挖掘相关技术的简介 | 第15-17页 |
| 2.1.1 向量空间模型 | 第15页 |
| 2.1.2 中文分词 | 第15-16页 |
| 2.1.3 TF-IDF及其算法 | 第16-17页 |
| 2.2 相关算法模型的简介 | 第17-20页 |
| 2.2.1 知识图谱模型的基本概念 | 第17页 |
| 2.2.2 支持向量机模型的基本概念 | 第17-18页 |
| 2.2.3 集成学习算法的基本概念 | 第18-20页 |
| 2.3 交叉验证概念简介 | 第20-21页 |
| 第3章 论文分类模型的构建 | 第21-38页 |
| 3.1 数据的准备 | 第21-22页 |
| 3.1.1 数据来源 | 第21页 |
| 3.1.2 数据提取 | 第21-22页 |
| 3.2 中文分词 | 第22-28页 |
| 3.2.1 分词的必要性 | 第22-23页 |
| 3.2.2 分词工具的选择 | 第23-24页 |
| 3.2.3 分词的结果 | 第24-25页 |
| 3.2.4 基于知识理解筛选特征词 | 第25-28页 |
| 3.3 TF-IDF算法计算特征词的权重 | 第28-29页 |
| 3.4 利用向量空间模型转换数据 | 第29-30页 |
| 3.5 模型构建与优化 | 第30-38页 |
| 3.5.1 模型的选择 | 第30-31页 |
| 3.5.2 论文自动分类的结果分析 | 第31-33页 |
| 3.5.3 基于知识图谱模型的优化 | 第33-35页 |
| 3.5.4 分类错误原因分析 | 第35-36页 |
| 3.5.6 最终模型的预测 | 第36-38页 |
| 第4章 主要结论与建议 | 第38-40页 |
| 4.1 主要结论 | 第38-39页 |
| 4.1.1 论文用词规范方面的结论 | 第38页 |
| 4.1.2 论文准确分类方面的结论 | 第38页 |
| 4.1.3 模型优化方面的结论 | 第38-39页 |
| 4.2 相关建议 | 第39-40页 |
| 4.2.1 论文书写规范方面的建议 | 第39页 |
| 4.2.2 机器学习模型的优化方面的建议 | 第39-40页 |
| 附录 | 第40-56页 |
| 参考文献 | 第56-58页 |
| 后记 | 第58页 |
