基于类别概念的中文文本分类研究
| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-20页 |
| ·研究背景及意义 | 第11-12页 |
| ·数据挖掘 | 第12-17页 |
| ·数据挖掘的由来 | 第12-13页 |
| ·数据挖掘的定义 | 第13页 |
| ·数据挖掘研究的内容和本质 | 第13-15页 |
| ·数据挖掘的功能 | 第15-16页 |
| ·数据挖掘未来的研究方向 | 第16-17页 |
| ·文本挖掘 | 第17-19页 |
| ·文本挖掘的定义 | 第17-18页 |
| ·文本挖掘的分类 | 第18-19页 |
| ·本文组织 | 第19页 |
| ·本章小结 | 第19-20页 |
| 第二章 文本分类技术 | 第20-36页 |
| ·文本分类简介 | 第20-24页 |
| ·文本分类发展及应用 | 第20-22页 |
| ·文本分类定义 | 第22页 |
| ·文本分类类型 | 第22页 |
| ·文本分类模型 | 第22-23页 |
| ·基于VSM的文本分类 | 第23-24页 |
| ·特征提取技术 | 第24-28页 |
| ·文本频率 | 第24-25页 |
| ·信息增益 | 第25页 |
| ·互信息 | 第25-26页 |
| ·CHI | 第26页 |
| ·词条权 | 第26-27页 |
| ·期望交叉嫡 | 第27页 |
| ·几率比 | 第27页 |
| ·文本证据权 | 第27-28页 |
| ·分类技术 | 第28-35页 |
| ·简单距离向量分类法 | 第28-29页 |
| ·基于TFIDF的 Rocchio算法 | 第29页 |
| ·朴素贝叶斯模型 | 第29-31页 |
| ·K最近邻居算法 | 第31页 |
| ·决策树 | 第31-32页 |
| ·神经网络 | 第32-34页 |
| ·支撑向量机 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于类别概念的特征选择方法 | 第36-45页 |
| ·问题分析 | 第36-37页 |
| ·知网 | 第37-40页 |
| ·知网简介 | 第37-38页 |
| ·概念排歧 | 第38-39页 |
| ·同义词 | 第39-40页 |
| ·类别概念 | 第40-44页 |
| ·定义 | 第40-41页 |
| ·类别概念特征的选择方法 | 第41-42页 |
| ·类别概念特征的有效性分析 | 第42-43页 |
| ·类别概念特征加权 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 系统设计与实验结论 | 第45-57页 |
| ·支撑向量机 | 第45-51页 |
| ·现状介绍 | 第45-46页 |
| ·SVM定义 | 第46-47页 |
| ·SVM优点 | 第47页 |
| ·SVM原理介绍 | 第47-51页 |
| ·SVM在分类中的应用 | 第51页 |
| ·实验 | 第51-56页 |
| ·系统框架结构 | 第51-52页 |
| ·实验设计 | 第52页 |
| ·数据集 | 第52-53页 |
| ·实验结果与分析 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第61页 |
