基于Bayes方法的文本分类器的研究与实现
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·引言 | 第8页 |
| ·文本分类问题 | 第8-11页 |
| ·文本分类的研究目的和意义 | 第9-10页 |
| ·文本分类的研究现状 | 第10页 |
| ·贝叶斯方法与文本分类 | 第10-11页 |
| ·本文的研究内容和组织结构 | 第11-13页 |
| ·本文的研究内容 | 第11页 |
| ·本文的组织结构 | 第11-13页 |
| 2 基于向量空间模型的文本分类算法 | 第13-21页 |
| ·文本预处理和向量空间模型 | 第13-16页 |
| ·分词 | 第13-14页 |
| ·向量表示 | 第14页 |
| ·特征选择 | 第14-16页 |
| ·基于向量空间模型的文本分类方法 | 第16-19页 |
| ·简单距离向量判别法 | 第17页 |
| ·Knn 算法 | 第17页 |
| ·归纳逻辑方法 | 第17-18页 |
| ·支持向量机算法 | 第18页 |
| ·其他文本分类方法 | 第18-19页 |
| ·文本分类的评价方法 | 第19-21页 |
| 3 贝叶斯理论与贝叶斯分类方法 | 第21-30页 |
| ·引言 | 第21页 |
| ·贝叶斯分类方法的原理 | 第21-22页 |
| ·贝叶斯定理和极大后验假设 | 第21-22页 |
| ·事件的独立性 | 第22页 |
| ·贝叶斯分类模型 | 第22-28页 |
| ·朴素贝叶斯分类 | 第23-24页 |
| ·贝叶斯网络 | 第24-26页 |
| ·semi-bayes 分类方法 | 第26-27页 |
| ·tan 分类方法 | 第27-28页 |
| ·贝叶斯算法应用于文本分类 | 第28-29页 |
| ·小结 | 第29-30页 |
| 4 朴素贝叶斯文本分类方法及其改进 | 第30-41页 |
| ·朴素贝叶斯文本分类方法及其存在的问题 | 第30-32页 |
| ·朴素贝叶斯文本分类器 | 第30-31页 |
| ·朴素贝叶斯文本分类器存在的一些问题 | 第31-32页 |
| ·相关特征项对文本分类的影响 | 第32-33页 |
| ·特征项相关性的度量 | 第33-37页 |
| ·互信息量 | 第33-34页 |
| ·互信息在自然语言处理上的应用 | 第34-35页 |
| ·利用互信息度量特征项之间的相关性 | 第35-37页 |
| ·基于特征相关性的朴素贝叶斯文本分类模型 | 第37-39页 |
| ·反馈方法应用于贝叶斯文本分类 | 第39-40页 |
| ·结论 | 第40-41页 |
| 5 分类系统的结构与实现 | 第41-47页 |
| ·分类系统的结构与模块说明 | 第41-42页 |
| ·系统采用的关键算法 | 第42-44页 |
| ·特征提取算法 | 第42-43页 |
| ·分类算法 | 第43-44页 |
| ·实验及结果分析 | 第44-47页 |
| ·实验结果 | 第44-45页 |
| ·实验结论 | 第45-47页 |
| 6 总结和进一步的工作 | 第47-49页 |
| ·总结 | 第47页 |
| ·下一步的工作 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录:作者在硕士在读期间发表的论文 | 第53页 |
