基于SVM算法的文本分类的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题的研究目的与意义 | 第11-12页 |
| 1.2 文本分类概述 | 第12-13页 |
| 1.3 国内外发展现状 | 第13-14页 |
| 1.3.1 文本分类的现状与发展 | 第13-14页 |
| 1.3.2 SVM算法研究的现状与发展 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 文本分类的相关理论与技术介绍 | 第16-26页 |
| 2.1 文本分类模型 | 第16-17页 |
| 2.1.1 问题描述 | 第16-17页 |
| 2.1.2 文本分类的阶段流程 | 第17页 |
| 2.2 文本分类原理 | 第17-19页 |
| 2.2.1 文本预处理 | 第17-18页 |
| 2.2.2 文本特征提取及空间向量模型 | 第18-19页 |
| 2.3 支持向量机 | 第19-24页 |
| 2.3.1 支持向量机概述 | 第19页 |
| 2.3.2 支持向量机线性分类器 | 第19-22页 |
| 2.3.3 非线性支持向量机 | 第22-23页 |
| 2.3.4 支持向量机的多分类问题 | 第23-24页 |
| 2.4 其他几种常用分类算法 | 第24-25页 |
| 2.4.1 朴素贝叶斯分类器 | 第24-25页 |
| 2.4.2 K-近邻算法 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 深度学习框架下的doc2vec | 第26-35页 |
| 3.1 深度学习 | 第26-28页 |
| 3.1.1 深度学习概述 | 第26-27页 |
| 3.1.2 深度学习的优点 | 第27页 |
| 3.1.3 深度学习的缺点 | 第27-28页 |
| 3.2 词向量 | 第28-29页 |
| 3.2.1 词向量表示 | 第28-29页 |
| 3.2.2 词向量模型 | 第29页 |
| 3.3 Word2vec模型 | 第29-32页 |
| 3.4 Doc2vec模型 | 第32-33页 |
| 3.4.1 DM方法 | 第32-33页 |
| 3.4.2 DBOW方法 | 第33页 |
| 3.5 本章小结 | 第33-35页 |
| 第4章 算法VecMKSVM | 第35-48页 |
| 4.1 语料库的选择 | 第36-37页 |
| 4.2 文本预处理 | 第37-43页 |
| 4.2.1 文档切分 | 第39页 |
| 4.2.2 去异常符号 | 第39页 |
| 4.2.3 文本分词 | 第39-40页 |
| 4.2.4 文本向量化 | 第40-43页 |
| 4.3 预计算核函数矩阵 | 第43-44页 |
| 4.4 实验结果对比 | 第44-47页 |
| 4.4.1 数据切分 | 第44页 |
| 4.4.2 网易新闻语料库 | 第44-46页 |
| 4.4.3 搜狐新闻语料库 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 论文工作总结 | 第48页 |
| 5.2 工作展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53页 |
