| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题研究的背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文组织 | 第16-17页 |
| 第2章 文本分类综述 | 第17-31页 |
| 2.1 文本分类的概念 | 第17页 |
| 2.2 文本预处理 | 第17-19页 |
| 2.3 特征选择 | 第19-22页 |
| 2.4 特征加权 | 第22-23页 |
| 2.5 文本表示模型 | 第23-26页 |
| 2.5.1 布尔模型（Boolean Model） | 第23页 |
| 2.5.2 向量空间模型（Vector Space Model） | 第23-24页 |
| 2.5.3 概率模型（Probabilistic Model） | 第24页 |
| 2.5.4 主题模型（Topic Model） | 第24-26页 |
| 2.6 常用分类方法 | 第26-29页 |
| 2.6.1 决策树 | 第26-27页 |
| 2.6.2 支持向量机SVM | 第27页 |
| 2.6.3 K-近邻法 | 第27-28页 |
| 2.6.4 朴素贝叶斯算法 | 第28-29页 |
| 2.7 分类性能评估 | 第29-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第3章 基于Word2vec的文本建模 | 第31-50页 |
| 3.1 Word2vec综述 | 第31-35页 |
| 3.1.1 词向量 | 第31页 |
| 3.1.2 神经网络语言模型 | 第31-33页 |
| 3.1.3 层次soft-max | 第33页 |
| 3.1.4 word2vec | 第33-35页 |
| 3.2 基于Word2vec_tf-idf的文本建模 | 第35-40页 |
| 3.3 基于word2vec_k-means的文本建模 | 第40-48页 |
| 3.3.1 文档预处理 | 第42页 |
| 3.3.2 词向量聚类 | 第42-45页 |
| 3.3.3 特征项权重计算 | 第45-47页 |
| 3.3.4 文本向量化 | 第47-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第4章 Word2vec_k-means与SVM相结合的文本分类 | 第50-60页 |
| 4.1 引言 | 第50页 |
| 4.2 支持向量机 | 第50-53页 |
| 4.2.1 2分类svm | 第50-52页 |
| 4.2.2 多分类svm | 第52-53页 |
| 4.3 Word2vec_k-means与SVM相结合的文本分类 | 第53-59页 |
| 4.3.1 实验设置 | 第53-56页 |
| 4.3.2 实验结果及分析 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 本文工作总结 | 第60页 |
| 5.2 未来工作的展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间的研究成果 | 第67页 |
