| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-21页 |
| 1.2.1 文本型社交媒体大数据 | 第13-14页 |
| 1.2.2 文本型社交媒体大数据分类 | 第14-16页 |
| 1.2.3 文本型大数据分类的基础平台 | 第16-21页 |
| 1.3 本文的主要研究内容和组织结构 | 第21-24页 |
| 1.3.1 主要研究内容 | 第21-22页 |
| 1.3.2 论文的组织结构 | 第22-24页 |
| 第2章 Bayes理论与朴素贝叶斯文本分类 | 第24-35页 |
| 2.1 Bayes相关理论 | 第24-26页 |
| 2.1.1 全概率公式 | 第24-25页 |
| 2.1.2 Bayes公式 | 第25页 |
| 2.1.3 朴素贝叶斯算法 | 第25-26页 |
| 2.2 朴素贝叶斯分类 | 第26页 |
| 2.3 朴素贝叶斯文本分类器 | 第26-34页 |
| 2.3.1 朴素贝叶斯文本分类过程 | 第27-28页 |
| 2.3.2 朴素贝叶斯文本分类器结构 | 第28-32页 |
| 2.3.3 朴素贝叶斯文本分类效果评估指标 | 第32-33页 |
| 2.3.4 朴素贝叶斯文本分类的计算模型 | 第33-34页 |
| 2.4 小结 | 第34-35页 |
| 第3章 伯努利型朴素贝叶斯文本分类方法 | 第35-43页 |
| 3.1 伯努利分布概率模型 | 第35页 |
| 3.2 伯努利型朴素贝叶斯分类 | 第35-38页 |
| 3.3 伯努利型朴素贝叶斯文本分类方法的改进 | 第38-39页 |
| 3.3.1 特征项规范化处理 | 第38页 |
| 3.3.2 “正方”特征项参与运算 | 第38-39页 |
| 3.3.3 调整拉普拉斯平滑参数 | 第39页 |
| 3.4 实验与结果分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 多项式型朴素贝叶斯文本分类 | 第43-61页 |
| 4.1 多项式分布概率模型 | 第43页 |
| 4.2 多项式型朴素贝叶斯文本分类 | 第43-45页 |
| 4.3 多项式朴素贝叶斯文本分类方法的改进 | 第45-50页 |
| 4.3.1 特征项权重计算方法 | 第45-47页 |
| 4.3.2 特征项权重归一化 | 第47页 |
| 4.3.3 实验与结果分析 | 第47-50页 |
| 4.4 改进的多项式型朴素贝叶斯文本分类方法并行化实现 | 第50-60页 |
| 4.4.1 并行分词 | 第50-53页 |
| 4.4.2 分类器训练 | 第53-55页 |
| 4.4.3 利用训练好的分类器进行分类 | 第55-56页 |
| 4.4.4 实验平台的搭建 | 第56-59页 |
| 4.4.5 实验与结果 | 第59-60页 |
| 4.5 小结 | 第60-61页 |
| 总结和展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 附录 A(攻读硕士学位期间发表论文情况) | 第69-70页 |
| 附录 B(攻读硕士学位期间参加科研项目情况) | 第70页 |