| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-19页 |
| ·引言 | 第9-10页 |
| ·论文研究背景 | 第10-12页 |
| ·Web舆情基本概念 | 第10页 |
| ·藏文Web舆情的特点 | 第10-11页 |
| ·研究藏文Web文本分类技术的意义 | 第11-12页 |
| ·国内外网络文本分类技术研究现状 | 第12-16页 |
| ·藏文Web舆情分析现状 | 第12-13页 |
| ·藏文信息处理现状 | 第13-14页 |
| ·藏文文本分类技术现状 | 第14-16页 |
| ·课题来源 | 第16页 |
| ·研究目的和意义 | 第16页 |
| ·研究目的 | 第16页 |
| ·研究意义 | 第16页 |
| ·论文主要研究内容及结构安排 | 第16-19页 |
| ·主要研究内容 | 第16-17页 |
| ·论文结构安排 | 第17-19页 |
| 第2章 藏文Web文本分类系统需求分析及其总体设计 | 第19-22页 |
| ·藏文Web文本分类系统概述 | 第19页 |
| ·藏文Web文本分类系统设计思路 | 第19-20页 |
| ·藏文Web文本分类系统流程图 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 藏文网络文本分类关键技术 | 第22-37页 |
| ·藏文Web信息抓取技术 | 第22-26页 |
| ·藏文文本分类信息采集目标 | 第22页 |
| ·Web爬虫技术定义与工作原理 | 第22-23页 |
| ·Web爬虫技术工作流程 | 第23-25页 |
| ·Web爬虫的工作方式 | 第25页 |
| ·主流Web爬虫技术的比较与分析 | 第25-26页 |
| ·藏文信息预处理技术 | 第26-35页 |
| ·网页去噪技术 | 第27-31页 |
| ·藏文编码转换与分词技术 | 第31-32页 |
| ·去停用词 | 第32页 |
| ·藏文文本表示技术 | 第32-33页 |
| ·藏文文本特征项选取技术 | 第33-34页 |
| ·特征项的权值计算 | 第34-35页 |
| ·Web舆情分析其它关键技术 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 藏文文本集成分类算法研究 | 第37-47页 |
| ·文本分类方法 | 第37页 |
| ·分类算法比较与分析 | 第37-42页 |
| ·朴素贝叶斯算法(NB) | 第37-39页 |
| ·支持向量机算法(SVM) | 第39-41页 |
| ·KNN算法 | 第41-42页 |
| ·基于集成学习的分类算法 | 第42-46页 |
| ·集成学习的起源 | 第42-43页 |
| ·集成学习的主要思想 | 第43-44页 |
| ·基分类器产生原则 | 第44-45页 |
| ·分类器集成的构成方式 | 第45页 |
| ·集成学习的优势 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第5章 基于Naive Bayesian和SVM的藏文集成分类算法 | 第47-52页 |
| ·分类器集成的构建 | 第47-49页 |
| ·基分类器的产生方式 | 第47-48页 |
| ·集成的构造方式 | 第48-49页 |
| ·分类结果的合成 | 第49-50页 |
| ·输出结果的决策 | 第50页 |
| ·分类结果评价 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第6章 面向藏文Web舆情分析的文本分类系统实现 | 第52-64页 |
| ·藏文文本分类系统整体构架 | 第52-54页 |
| ·藏文文本分类过程设计 | 第54-58页 |
| ·藏文信息采集子模块 | 第54-55页 |
| ·藏文信息预处理模块 | 第55-57页 |
| ·藏文文本分类模块 | 第57-58页 |
| ·文本分类实验结果与分析 | 第58-63页 |
| ·实验设计 | 第58-61页 |
| ·结果分析 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第7章 结束语 | 第64-66页 |
| ·本文工作总结 | 第64-65页 |
| ·进一步工作与研究方向 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69-70页 |
| 致谢 | 第70页 |