| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第16-27页 |
| 1.1 选题的背景和意义 | 第16页 |
| 1.2 文本分类研究面临的主要问题 | 第16-18页 |
| 1.3 文本分类研究国内外发展现状 | 第18-22页 |
| 1.4 本文研究的主要内容和创新点 | 第22-24页 |
| 1.5 本文的组织结构 | 第24-27页 |
| 第2章 文本分类和极限学习机相关研究综述 | 第27-56页 |
| 2.1 文本表示模型 | 第27-34页 |
| 2.1.1 布尔模型(Boolean model) | 第27-28页 |
| 2.1.2 空间向量模型(Vector Space Model) | 第28-30页 |
| 2.1.3 概率模型(Probability model) | 第30页 |
| 2.1.4 LDA模型(Latent Dirichlet Allocation) | 第30-32页 |
| 2.1.5 Word embedding模型 | 第32-34页 |
| 2.2 文本分类方法 | 第34-47页 |
| 2.2.1 K最近邻(KNN) | 第34-36页 |
| 2.2.2 决策树(DT) | 第36-38页 |
| 2.2.3 朴素贝叶斯(NB) | 第38-41页 |
| 2.2.4 反向传播神经网络(BPNN) | 第41-44页 |
| 2.2.5 支持向量机(SVM) | 第44-47页 |
| 2.3 极限学习机(ELM) | 第47-52页 |
| 2.3.1 极限学习机模型和理论基础 | 第47-50页 |
| 2.3.2 极限学习机研究进展 | 第50-52页 |
| 2.4 文本分类标准数据集 | 第52-53页 |
| 2.5 文本分类性能评价指标 | 第53-56页 |
| 第3章 基于自适应模糊极限学习机模型的文本分类算法 | 第56-73页 |
| 3.1 基于类间区分度和类内贡献度的加权词向量模型(W2V-IDIC) | 第57-59页 |
| 3.2 正则化极限学习机模型 | 第59-61页 |
| 3.3 基于W2V-IDIC模型的文本分类算法的实验结果和分析 | 第61-64页 |
| 3.4 模糊极限学习机模型 | 第64-65页 |
| 3.5 基于量子谐振子模型的聚类算法 | 第65-66页 |
| 3.6 混合自适应模糊极限学习机模型 | 第66-68页 |
| 3.7 基于混合自适应模糊极限学习机模型文本分类算法的实验结果和分析 | 第68-72页 |
| 3.7.1 实验设置 | 第68页 |
| 3.7.2 实验结果和分析 | 第68-72页 |
| 3.8 小结 | 第72-73页 |
| 第4章 基于融合样本与特征集成极限学习机模型的文本分类算法 | 第73-102页 |
| 4.1 基于分布表示的词向量 | 第75-80页 |
| 4.1.1 基于矩阵的词表示 | 第76-77页 |
| 4.1.2 基于神经网络的词表示 | 第77-80页 |
| 4.2 基于EL-SPPMI模型的文本分类方法 | 第80-83页 |
| 4.2.1 SPPMI模型 | 第80-82页 |
| 4.2.2 基于相似对的低频词概率提升方法 | 第82-83页 |
| 4.3 基于EL-SPPMI模型的文本分类实验结果和分析 | 第83-88页 |
| 4.3.1 实验设置 | 第83-84页 |
| 4.3.2 实验结果和分析 | 第84-88页 |
| 4.4 基于提升小类的随机抽样算法 | 第88-89页 |
| 4.5 基于融合样本与特征集成极限学习机的文本分类算法 | 第89-92页 |
| 4.6 基于融合样本与特征集成极限学习机模型的文本分类实验结果和分析 | 第92-100页 |
| 4.6.1 算法性能 | 第94页 |
| 4.6.2 算法稳定性 | 第94-96页 |
| 4.6.3 算法耗时 | 第96-98页 |
| 4.6.4 特征选择率对分类性能的影响 | 第98-99页 |
| 4.6.5 子分类器数量对分类性能的影响 | 第99-100页 |
| 4.7 小结 | 第100-102页 |
| 第5章 基于代价敏感集成加权极限学习机模型的文本分类算法 | 第102-125页 |
| 5.1 加权极限学习机模型 | 第103-105页 |
| 5.2 代价敏感集成加权极限学习机(ACx-WELM) | 第105-112页 |
| 5.2.1 文本表示 | 第105-106页 |
| 5.2.2 类别信息熵 | 第106-108页 |
| 5.2.3 基于Adaboost的加权极限学习机 | 第108-110页 |
| 5.2.4 基于代价敏感的集成加权极限学习机 | 第110-112页 |
| 5.3 基于代价敏感集成加权极限学习机模型的文本分类实验结果和分析 | 第112-124页 |
| 5.3.1 参数设置 | 第112页 |
| 5.3.2 性能比较 | 第112-124页 |
| 5.4 小结 | 第124-125页 |
| 第6章 总结与展望 | 第125-128页 |
| 6.1 本文研究总结 | 第125-126页 |
| 6.2 未来研究展望 | 第126-128页 |
| 参考文献 | 第128-138页 |
| 致谢 | 第138-139页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第139页 |
