| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-16页 |
| ·课题研究的背景及意义 | 第11-12页 |
| ·国内外相关的研究现状 | 第12-14页 |
| ·本文的主要研究内容及创新点 | 第14页 |
| ·论文的组织 | 第14-16页 |
| 第二章 文本分类技术介绍 | 第16-31页 |
| ·分词 | 第18-20页 |
| ·中文分词算法 | 第18-19页 |
| ·中文分词难点 | 第19页 |
| ·中文分词系统 | 第19-20页 |
| ·文本表示 | 第20-22页 |
| ·布尔模型 | 第20-21页 |
| ·向量空间模型 | 第21-22页 |
| ·概率模型 | 第22页 |
| ·权重计算 | 第22-24页 |
| ·布尔权重 | 第22-23页 |
| ·词频权重 | 第23页 |
| ·词频逆文档频权重 | 第23-24页 |
| ·特征选择 | 第24-26页 |
| ·互信息 | 第24-25页 |
| ·信息增益 | 第25-26页 |
| ·卡方统计 | 第26页 |
| ·文本分类算法 | 第26-29页 |
| ·朴素贝叶斯算法 | 第27-28页 |
| ·K 最邻近算法 | 第28页 |
| ·支持向量机算法 | 第28-29页 |
| ·神经网络算法 | 第29页 |
| ·文本分类评价指标 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 蜂群算法与模拟退火算法介绍 | 第31-37页 |
| ·蜂群算法 | 第31-33页 |
| ·蜂群算法的描述 | 第31-32页 |
| ·蜂群算法的优点和缺点 | 第32-33页 |
| ·模拟退火算法 | 第33-36页 |
| ·模拟退火算法描述 | 第33-34页 |
| ·模拟退火算法的步骤 | 第34-36页 |
| ·模拟退火算法优缺点 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于模拟退火的蜂群优化算法 | 第37-53页 |
| ·蜂群算法研究与应用现状 | 第37-38页 |
| ·蜂群算法与文本分类模型的结合 | 第38-41页 |
| ·建立词袋子模型 | 第38-39页 |
| ·特征编码 | 第39页 |
| ·初始时刻蜂群分工及数量 | 第39页 |
| ·食物源邻域的确定 | 第39页 |
| ·食物源收益率的确定 | 第39-40页 |
| ·模拟退火温度下降函数的确定 | 第40-41页 |
| ·算法终止条件 | 第41页 |
| ·算法具体实现流程和步骤 | 第41-45页 |
| ·语料库及评价指标 | 第45页 |
| ·分类器选择 | 第45-46页 |
| ·实验结果比较 | 第46-51页 |
| ·比较加入模拟退火机制前后蜂群算法的性能 | 第46-47页 |
| ·比较蜂群算法中蜜蜂数量对于分类性能的影响 | 第47-49页 |
| ·比较蜂群算法与其他特征选择算法对于分类性能的影响 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 第五章 基于聚类算法的改进 KNN 算法 | 第53-72页 |
| ·KNN 算法中相似度计算方法 | 第53-54页 |
| ·欧式距离法 | 第53页 |
| ·夹角余弦法 | 第53-54页 |
| ·KNN 算法具体步骤 | 第54页 |
| ·KNN 算法的不足与改进方法 | 第54-56页 |
| ·KNN 算法的优缺点 | 第54-55页 |
| ·KNN 算法的改进方法 | 第55-56页 |
| ·基于聚类去噪的密度裁剪在 KNN 算法中的应用 | 第56-63页 |
| ·算法基本思路 | 第56页 |
| ·聚类去噪 | 第56-59页 |
| ·密度裁剪 | 第59-62页 |
| ·主要参数确定 | 第62页 |
| ·算法主要流程 | 第62-63页 |
| ·实验设置 | 第63页 |
| ·实验结果评价与讨论 | 第63-70页 |
| ·比较 K 取不同值时进行样本裁剪对分类器性能的影响 | 第63-68页 |
| ·比较样本裁剪的密度阈值对分类器性能的影响 | 第68-70页 |
| ·本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| ·全文总结 | 第72-73页 |
| ·未来研究展望 | 第73-74页 |
| 参考文献 | 第74-83页 |
| 致谢 | 第83-84页 |
| 攻读硕士学位期间的主要学术成果 | 第84-87页 |
| 附件 | 第87页 |