摘要 | 第3-4页 |
abstract | 第4-5页 |
第1章 绪论 | 第8-13页 |
1.1 课题研究的背景及意义 | 第8-9页 |
1.2 国内外的研究现状 | 第9-11页 |
1.3 本文研究的主要内容与组织架构 | 第11-13页 |
第2章 文本分类相关技术与贝叶斯增量分类方案 | 第13-33页 |
2.1 文本分类模型与相关技术研究 | 第13-22页 |
2.1.1 文本分类模型 | 第13-15页 |
2.1.2 文本表示 | 第15-16页 |
2.1.3 文本特征权重 | 第16-18页 |
2.1.4 特征选择与特征提取 | 第18-20页 |
2.1.5 文本分类算法 | 第20-22页 |
2.2 Bloom Filter简介 | 第22-26页 |
2.2.1 Bloom Filter原理 | 第22-23页 |
2.2.2 假阳性的计算与分析 | 第23-26页 |
2.3 贝叶斯原理与应用 | 第26-31页 |
2.3.1 贝叶斯定理 | 第26-27页 |
2.3.2 朴素贝叶斯分类器 | 第27-28页 |
2.3.3 贝叶斯网络分类器 | 第28-31页 |
2.4 整体方案设计 | 第31-32页 |
2.5 本章小结 | 第32-33页 |
第3章 计数型BLOOM FILTER词频增量统计与降维 | 第33-41页 |
3.1 计数型Bloom Filter词频增量统计与降维 | 第33-37页 |
3.1.1 计数型BloomFilter | 第33页 |
3.1.2 词频统计与降维 | 第33-37页 |
3.2 实验设计与结果分析 | 第37-39页 |
3.2.1 性能评测指标 | 第37-38页 |
3.2.2 实验环境 | 第38页 |
3.2.3 实验设计与结果分析 | 第38-39页 |
3.3 本章小结 | 第39-41页 |
第4章 基于朴素贝叶斯的增量学习方法 | 第41-53页 |
4.1 朴素贝叶斯文本分类的应用与改进 | 第41-43页 |
4.1.1 朴素贝叶斯文本分类 | 第41-42页 |
4.1.2 加权朴素贝叶斯文本分类 | 第42-43页 |
4.2 贝叶斯增量学习原理与证明 | 第43-46页 |
4.2.1 贝叶斯增量学习原理 | 第43-44页 |
4.2.2 贝叶斯增量学习证明 | 第44-46页 |
4.3 置信度可调的序列选择增量学习方法 | 第46-49页 |
4.3.1 方法思想 | 第46-47页 |
4.3.2 增量方法描述与置信度 | 第47-48页 |
4.3.3 增量学习方法步骤 | 第48-49页 |
4.4 实验设计与结果分析 | 第49-52页 |
4.4.1 实验性能评估指标 | 第49-50页 |
4.4.2 实验设计与结果 | 第50-51页 |
4.4.3 结果分析 | 第51-52页 |
4.5 本章小结 | 第52-53页 |
第5章 总结与展望 | 第53-55页 |
5.1 论文工作总结 | 第53页 |
5.2 存在的问题 | 第53-54页 |
5.3 未来工作展望 | 第54-55页 |
参考文献 | 第55-57页 |
致谢 | 第57-58页 |
附录1 攻读硕士学位期间发表的论文 | 第58页 |