| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 本文的研究内容及面临的挑战 | 第14页 |
| 1.3 本文的贡献 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第2章 相关工作 | 第16-28页 |
| 2.1 文本相似度算法 | 第16-21页 |
| 2.1.1 基于向量空间模型VSM的方法 | 第16-18页 |
| 2.1.2 潜在语义索引方法 | 第18-19页 |
| 2.1.3 基于属性的文本相似度计算方法 | 第19-20页 |
| 2.1.4 基于语义的文本相似度计算方法 | 第20-21页 |
| 2.2 文本分类算法 | 第21-27页 |
| 2.2.1 K最近邻分类算法 | 第21-22页 |
| 2.2.2 朴素贝叶斯分类器 | 第22-23页 |
| 2.2.3 最大熵分类器 | 第23-24页 |
| 2.2.4 支持向量机(SVM)分类器 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 问题定义与问题分析 | 第28-32页 |
| 3.1 背景介绍 | 第28-29页 |
| 3.2 问题定义 | 第29页 |
| 3.3 问题分析 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于互信息的相似度函数 | 第32-44页 |
| 4.1 互信息 | 第32-39页 |
| 4.1.1 信息论中的重要概念 | 第32-36页 |
| 4.1.2 互信息定义 | 第36-39页 |
| 4.2 基于互信息的相似度函数 | 第39-43页 |
| 4.2.1 特征词间的互信息 | 第39-41页 |
| 4.2.2 基于互信息的相似度函数 | 第41-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第5章 基于主题词的短文本分类 | 第44-54页 |
| 5.1 文本预处理及特征选择 | 第44-45页 |
| 5.1.1 文本预处理 | 第44-45页 |
| 5.1.2 特征选择算法 | 第45页 |
| 5.2 主题词与类别的映射关系的抽取 | 第45-49页 |
| 5.3 基于主题词与类别的二元关系的文本分类 | 第49-53页 |
| 5.3.1 主题词与SVM相结合的短文本分类算法 | 第50-51页 |
| 5.3.2 基于主题词的短文本分类算法 | 第51-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第6章 实验与分析 | 第54-66页 |
| 6.1 实验设置及数据集分析 | 第54-56页 |
| 6.2 实验方法及步骤 | 第56页 |
| 6.2.1 基于互信息的短文本检索实验步骤 | 第56页 |
| 6.2.2 基于主题词的SVM短文本分类实验步骤 | 第56页 |
| 6.3 实验结果评价标准 | 第56-57页 |
| 6.4 RIS-SIR与COSIN-SIR的对比实验与结果分析 | 第57-61页 |
| 6.5 主题词与SVM相结合的文本分类器的实验与分析 | 第61-63页 |
| 6.5.1 KW-SVM的准确率实验与分析 | 第61-62页 |
| 6.5.2 KW-SVM的时间性能实验与分析 | 第62-63页 |
| 6.6 本章小结 | 第63-66页 |
| 第7章 结束语 | 第66-68页 |
| 7.1 本文总结 | 第66-67页 |
| 7.2 工作展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 攻硕期间参加的项目及发表的论文 | 第74页 |