跨语言文本分类的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-12页 |
| ·研究背景与意义 | 第10页 |
| ·跨语言文本分类 | 第10-11页 |
| ·研究现状 | 第11页 |
| ·本文组织 | 第11-12页 |
| 第2章 相关工作和本文的研究思路 | 第12-24页 |
| ·文本分类概述 | 第12-18页 |
| ·文本分类的一般定义 | 第12页 |
| ·文本预处理 | 第12-13页 |
| ·文本的表示 | 第13-14页 |
| ·特征空间降维 | 第14-16页 |
| ·特征权重计算 | 第16-17页 |
| ·分类器 | 第17页 |
| ·测试与性能评价 | 第17-18页 |
| ·跨语言文本分类主要方法概述 | 第18-22页 |
| ·基于翻译的方法 | 第18-19页 |
| ·基于多语言模型的方法 | 第19页 |
| ·基于语言知识库的方法 | 第19-20页 |
| ·利用目标语言未标注文本提升 CLTC 效果 | 第20-21页 |
| ·其他方法 | 第21-22页 |
| ·对现有方法的分析 | 第22页 |
| ·本文研究思路的提出 | 第22-24页 |
| 第3章 跨语言 K 近邻文本分类算法 | 第24-32页 |
| ·K 近邻算法 | 第24-25页 |
| ·跨语言 K 近邻文本分类算法 | 第25-32页 |
| ·文本表示 | 第25-28页 |
| ·跨语言相似度计算方法 | 第28-30页 |
| ·类别判定 | 第30-31页 |
| ·算法流程 | 第31-32页 |
| 第4章 基于双视图主动学习的跨语言文本分类算法 | 第32-48页 |
| ·问题分析 | 第32-33页 |
| ·主动学习框架 | 第33-35页 |
| ·基于 SVM 的算法实现 | 第35-39页 |
| ·SVM 分类算法 | 第35-37页 |
| ·SVM 得到概率输出 | 第37-38页 |
| ·分类确定度的计算 | 第38-39页 |
| ·算法流程 | 第39页 |
| ·双视图主动学习算法 | 第39-48页 |
| ·跨语言分类问题的两种视图 | 第40-41页 |
| ·双视图主动学习框架 | 第41-44页 |
| ·算法流程 | 第44-48页 |
| 第5章 实验与分析 | 第48-60页 |
| ·数据集 | 第48-49页 |
| ·语料库建设 | 第48页 |
| ·文本预处理 | 第48-49页 |
| ·跨语言 K 近邻文本分类算法 | 第49-53页 |
| ·实验准备 | 第49-50页 |
| ·CLKNN 实验 | 第50-52页 |
| ·与 Baseline 的对比 | 第52-53页 |
| ·总结 | 第53页 |
| ·基于双视图主动学习的跨语言文本分类算法 | 第53-60页 |
| ·实验准备 | 第54页 |
| ·单视图主动学习实验 | 第54-55页 |
| ·双视图主动学习实验 | 第55-57页 |
| ·与Baseline 的对比 | 第57-59页 |
| ·总结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间发表论文与研究成果清单 | 第66-67页 |
| 致谢 | 第67页 |
