| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-17页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 研究内容及现状 | 第13-15页 |
| 1.3 本文组织结构及工作安排 | 第15-17页 |
| 2 电子商务产品信息和评论分类技术研究 | 第17-25页 |
| 2.1 电子商务产品信息和评论分类流程 | 第17-18页 |
| 2.2 文本预处理 | 第18页 |
| 2.3 文本表示 | 第18-20页 |
| 2.4 特征降维 | 第20-22页 |
| 2.4.1 特征选择 | 第20-21页 |
| 2.4.2 特征提取 | 第21-22页 |
| 2.5 分类算法 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 3 基于IG-RS-SVM的电子商务产品评论研究 | 第25-38页 |
| 3.1 信息增益算法在文本分类中的应用 | 第25-27页 |
| 3.1.1 信息熵基本概念 | 第25-26页 |
| 3.1.2 信息增益算法 | 第26页 |
| 3.1.3 文本内容分类中的信息增益 | 第26-27页 |
| 3.2 支持向量机算法介绍 | 第27-30页 |
| 3.2.1 最优分类超平面 | 第27-28页 |
| 3.2.2 对偶问题求解 | 第28-29页 |
| 3.2.3 线性不可分及核函数 | 第29-30页 |
| 3.3 基于集成学习算法的支持向量机算法 | 第30-33页 |
| 3.3.1 集成学习算法 | 第30-32页 |
| 3.3.2 基于Random Subspace的SVM算法 | 第32页 |
| 3.3.3 IG-RS-SVM算法实现 | 第32-33页 |
| 3.4 实验结果及分析 | 第33-37页 |
| 3.4.1 数据集 | 第33-34页 |
| 3.4.2 性能指标 | 第34页 |
| 3.4.3 结果分析 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于快速自编码的RELM的电子商务产品分类 | 第38-49页 |
| 4.1 特征提取算法及其应用 | 第38-41页 |
| 4.1.1 PCA主成分分析 | 第39页 |
| 4.1.2 SVD奇异值分解 | 第39-40页 |
| 4.1.3 特征提取在文本特征降维中的应用 | 第40-41页 |
| 4.2 基于RELM的快速自编码神经网络 | 第41-43页 |
| 4.2.1 极限学习机算法介绍 | 第41-42页 |
| 4.2.2 快速自编码神经网络 | 第42-43页 |
| 4.3 基于快速自编码的RELM分类器 | 第43-45页 |
| 4.4 实验结果及分析 | 第45-48页 |
| 4.4.1 数据集 | 第45页 |
| 4.4.2 性能指标 | 第45页 |
| 4.4.3 结果分析 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录 RELM特征提取和分类 | 第54-55页 |
| 作者简介 | 第55页 |