贝叶斯算法在智能终端信息过滤中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的工作与组织结构 | 第13-16页 |
| 2 贝叶斯算法及其过滤方法相关技术 | 第16-27页 |
| 2.1 贝叶斯相关理论 | 第16-20页 |
| 2.1.1 贝叶斯定理 | 第16页 |
| 2.1.2 朴素贝叶斯原理 | 第16-18页 |
| 2.1.3 贝叶斯过滤器 | 第18页 |
| 2.1.4 朴素贝叶斯邮件过滤器的扩展 | 第18-20页 |
| 2.2 邮件评测 | 第20-26页 |
| 2.2.1 邮件过滤语料库 | 第20-21页 |
| 2.2.2 邮件过滤模式 | 第21-23页 |
| 2.2.3 评价体系 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 贝叶斯过滤器的改进 | 第27-39页 |
| 3.1 贝叶斯分类流程及其改进方面 | 第27-28页 |
| 3.2 文本表示 | 第28-29页 |
| 3.2.1 词语特征项 | 第28页 |
| 3.2.2 指纹散列特征项 | 第28-29页 |
| 3.2.3 一种指纹算法 | 第29页 |
| 3.3 特征选择 | 第29-35页 |
| 3.3.1 信息增益与期望交叉熵 | 第30-31页 |
| 3.3.2 基于类条件分布的特征选择 | 第31-32页 |
| 3.3.3 实验及分析 | 第32-35页 |
| 3.4 阈值动态调整 | 第35-37页 |
| 3.4.1 阈值对过滤精度的影响 | 第35-36页 |
| 3.4.2 阈值调整自适应算法 | 第36页 |
| 3.4.3 实验及分析 | 第36-37页 |
| 3.5 改进的朴素贝叶斯邮件过滤流程 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 集成加权分类模型 | 第39-50页 |
| 4.1 邮件的基本分析 | 第39-45页 |
| 4.1.1 邮件的消息格式 | 第39-41页 |
| 4.1.2 邮件头和正文的独立训练 | 第41-42页 |
| 4.1.3 特征CCD值的分布 | 第42-45页 |
| 4.2 集成加权方法与模型流程 | 第45-49页 |
| 4.2.1 集成加权方法 | 第45-46页 |
| 4.2.2 集成加权模型的流程 | 第46-47页 |
| 4.2.3 实验及分析 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 5 贝叶斯过滤器的扩展 | 第50-62页 |
| 5.1 基于最小风险的贝叶斯过滤算法 | 第50-56页 |
| 5.1.1 过滤规则 | 第50-52页 |
| 5.1.2 邮件过滤算法 | 第52-53页 |
| 5.1.3 实现机制及代码 | 第53-54页 |
| 5.1.4 实验设计与结果分析 | 第54-56页 |
| 5.2 主动学习贝叶斯算法 | 第56-61页 |
| 5.2.1 主动学习贝叶斯的原理 | 第56-58页 |
| 5.2.2 基于最大最小熵的主动学习 | 第58-59页 |
| 5.2.3 实现机制及代码 | 第59-60页 |
| 5.2.4 实验及分析 | 第60-61页 |
| 5.3 本章小结 | 第61-62页 |
| 6 过滤器设计与性能分析 | 第62-65页 |
| 6.1 过滤器设计 | 第62-63页 |
| 6.2 实验及性能分析 | 第63-64页 |
| 6.2.1 离线过滤模式下的性能比较 | 第63-64页 |
| 6.2.2 在线过滤模式下的性能比较 | 第64页 |
| 6.3 本章小结 | 第64-65页 |
| 7 结论与展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
