| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11-12页 |
| ·文本分类技术研究现状 | 第12-14页 |
| ·国内外研究现状 | 第12-14页 |
| ·存在的主要问题 | 第14页 |
| ·主要研究内容及章节结构 | 第14-16页 |
| 第2章 文本分类系统概述 | 第16-29页 |
| ·文本预处理 | 第16-18页 |
| ·特征选择 | 第18-22页 |
| ·特征加权 | 第22-23页 |
| ·文本表示 | 第23-25页 |
| ·布尔模型 | 第23页 |
| ·向量空间模型 | 第23-24页 |
| ·概率模型 | 第24页 |
| ·统计主题模型 | 第24-25页 |
| ·常用分类算法 | 第25-27页 |
| ·贝叶斯分类法 | 第25页 |
| ·KNN（K 最近邻） | 第25-26页 |
| ·决策树 | 第26页 |
| ·支持向量机 | 第26-27页 |
| ·分类性能评估体系 | 第27-29页 |
| 第3章 基于 LDA 模型的文本特征处理 | 第29-43页 |
| ·统计主题模型简介 | 第29-34页 |
| ·TF-IDF 模型 | 第30-31页 |
| ·一元混合模型（Mixture of unigrams） | 第31页 |
| ·LSI 模型 | 第31-33页 |
| ·PLSI 模型 | 第33-34页 |
| ·LDA 模型 | 第34-38页 |
| ·相关工作 | 第34-35页 |
| ·模型介绍 | 第35-37页 |
| ·抽样算法 | 第37-38页 |
| ·基于类别信息 LDA 模型的文档特征提取 | 第38-39页 |
| ·实验结果与分析 | 第39-43页 |
| ·最优主题数目的确定 | 第39-40页 |
| ·特征选择方法的比较 | 第40-43页 |
| 第4章 LDA 与 SVM 相结合的多类文本分类 | 第43-53页 |
| ·引言 | 第43-44页 |
| ·支持向量机 | 第44-48页 |
| ·2-类 SVM | 第44-46页 |
| ·多类 SVM 分类 | 第46-48页 |
| ·LDA 与 SVM 相结合的多类文本分类 | 第48-53页 |
| ·实验设置 | 第48-50页 |
| ·实验结果与分析 | 第50-53页 |
| 第5章 总结与展望 | 第53-55页 |
| ·本文的主要工作 | 第53页 |
| ·进一步研究工作的展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间取得的科研成果 | 第60页 |
| 攻读学位期间参与的科研项目情况 | 第60页 |