| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9-11页 |
| 1.1.1 背景和意义 | 第9-10页 |
| 1.1.2 国内外研究现状 | 第10-11页 |
| 1.2 本文主要研究工作 | 第11-12页 |
| 1.3 论文的组织结构 | 第12-13页 |
| 第二章 文本分类中的关键技术 | 第13-22页 |
| 2.1 文本预处理 | 第13-14页 |
| 2.1.1 分词 | 第13-14页 |
| 2.1.2 去停用词 | 第14页 |
| 2.2 文本特征提取算法 | 第14-17页 |
| 2.2.1 文本特征表示模型 | 第14-15页 |
| 2.2.2 文本特征选择算法 | 第15-17页 |
| 2.3 文本分类算法 | 第17-19页 |
| 2.3.1 K近邻分类算法 | 第17页 |
| 2.3.2 决策树分类算法 | 第17-18页 |
| 2.3.3 朴素贝叶斯分类算法 | 第18-19页 |
| 2.3.4 支持向量机分类算法(SVM) | 第19页 |
| 2.3.5 逻辑回归分类算法(LR) | 第19页 |
| 2.4 文本分类效果评估 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 经典文本特征选择算法分析与改进 | 第22-31页 |
| 3.1 分类过程中的文本特征选择算法研究与实现 | 第22-26页 |
| 3.1.1 基于统计可靠性的文本特征选择算法改进 | 第22-23页 |
| 3.1.2 各种文本特征提取算法效果比较 | 第23-26页 |
| 3.2 微博的文本过滤研究与实现 | 第26-29页 |
| 3.2.1 基于关键词匹配的过滤 | 第28页 |
| 3.2.2 分类器加权组合过滤 | 第28-29页 |
| 3.3 本章小结 | 第29-31页 |
| 第四章 基于LDA的词向量文本特征 | 第31-41页 |
| 4.1 LDA综述 | 第31-33页 |
| 4.1.1 LDA主题模型 | 第31-32页 |
| 4.1.2 参数估计 | 第32-33页 |
| 4.2 LDA词向量在文本特征提取算法中的应用 | 第33-40页 |
| 4.2.1 LDA的应用 | 第33-37页 |
| 4.2.2 半监督LDA的应用 | 第37-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 基于深度学习的文本特征 | 第41-48页 |
| 5.1 Word2vec综述 | 第41页 |
| 5.2 Word2vec词向量在文本特征提取算法中的应用 | 第41-43页 |
| 5.3 自编码器在跨域迁移学习中的应用 | 第43-46页 |
| 5.3.1 跨域迁移学习综述 | 第43-44页 |
| 5.3.2 自编码器综述 | 第44-45页 |
| 5.3.3 自编码器在跨域情感分类中的应用 | 第45-46页 |
| 5.4 本章小结 | 第46-48页 |
| 第六章 基于WAF的文本特征 | 第48-55页 |
| 6.1 WAF综述 | 第48页 |
| 6.2 基于WAF的文本特征赋权 | 第48-50页 |
| 6.3 基于WAF的文本特征选择 | 第50-52页 |
| 6.4 基于WAF的关联词对特征 | 第52-54页 |
| 6.5 本章小结 | 第54-55页 |
| 第七章 总结与展望 | 第55-57页 |
| 7.1 总结 | 第55-56页 |
| 7.2 下一步工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 作者攻读学位期间发表的学术论文目录 | 第62页 |