| 中文摘要 | 第4-6页 |
| 英文摘要 | 第6-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 本文的工作 | 第13-14页 |
| 1.4 本文的组织 | 第14-15页 |
| 第二章 稀疏化模型相关技术介绍 | 第15-23页 |
| 2.1 L1-稀疏化方法 | 第16-19页 |
| 2.1.1 估计参数的稀疏化 | 第16-17页 |
| 2.1.2 L1-正则化模型的性质 | 第17-19页 |
| 2.2 组稀疏化方法 | 第19-20页 |
| 2.2.1 组稀疏化的定义 | 第19-20页 |
| 2.2.2 组稀疏化的性质 | 第20页 |
| 2.3 图稀疏化方法 | 第20-22页 |
| 2.3.1 图稀疏化的定义 | 第20-21页 |
| 2.3.2 图稀疏化的优化 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 一种基于N-gram的正则化逻辑回归中文文本分类模型 | 第23-41页 |
| 3.1 传统中文文本分类方法的分析 | 第23-26页 |
| 3.2 基于N-gram的正则化逻辑回归中文文本分类模型 | 第26-29页 |
| 3.2.1 基于N-gram的文本表示 | 第26-27页 |
| 3.2.2 L1-正则化逻辑回归模型 | 第27-29页 |
| 3.3 基于N-gram的正则化逻辑回归中文文本分类的算法流程 | 第29-30页 |
| 3.4 实验结果及分析 | 第30-40页 |
| 3.4.1 复旦中文文本分类语料库 | 第31-35页 |
| 3.4.2 20Newsgroups语料库 | 第35-36页 |
| 3.4.3 实验分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于图稀疏化的情感文本分类 | 第41-53页 |
| 4.1 传统词袋模型的缺点 | 第41-42页 |
| 4.2 文本的图表示方法 | 第42-46页 |
| 4.2.1 基于词序和距离的图表示方法 | 第43-44页 |
| 4.2.2 基于依存关系的图表示方法 | 第44-45页 |
| 4.2.3 计算每一条边的代价(cost) | 第45-46页 |
| 4.3 基于图稀疏化情感分类方法的流程 | 第46-47页 |
| 4.4 实验结果及分析 | 第47-51页 |
| 4.4.1 实验配置 | 第48页 |
| 4.4.2 对比方法 | 第48-49页 |
| 4.4.3 实验结果 | 第49-50页 |
| 4.4.4 实验分析 | 第50-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 结束语 | 第53-55页 |
| 5.1 论文的主要工作 | 第53-54页 |
| 5.2 论文进一步的工作 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 攻读硕士学位期间参加科研项目及发表/录用论文 | 第61-62页 |
| 致谢 | 第62-63页 |
