| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.3 研究的主要内容、目标及创新点 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 2 文本分类相关技术介绍 | 第17-25页 |
| 2.1 文本分类整体流程概述 | 第17-18页 |
| 2.2 常用的特征选择方法 | 第18-20页 |
| 2.3 TRADABOOST算法框架概述 | 第20-22页 |
| 2.4 常用的基分类器 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 3 融合类频率的类文档频率特征选择方法 | 第25-42页 |
| 3.1 选择特征分析 | 第25-26页 |
| 3.2 特征选择算法评价指标 | 第26页 |
| 3.3 CDFDC特征选择算法 | 第26-28页 |
| 3.4 文档预处理过程实现 | 第28-32页 |
| 3.5 实验设置 | 第32-35页 |
| 3.6 特征选择对比实验 | 第35-41页 |
| 3.7 本章小结 | 第41-42页 |
| 4 基于权重调整的TrAdaBoost迁移学习算法改进 | 第42-60页 |
| 4.1 TRADABOOST算法框架对已有分类器整合的技术分析 | 第42-43页 |
| 4.2 TRADABOOST整合SVM、NB难点分析 | 第43-44页 |
| 4.3 带样本权重的朴素贝叶斯分类算法改进 | 第44-49页 |
| 4.4 带文档权重SVM算法改进研究 | 第49页 |
| 4.5 SVM和朴素贝叶斯整合分析 | 第49-52页 |
| 4.6 迁移学习对比实验 | 第52-59页 |
| 4.7 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-61页 |
| 5.1 全文总结 | 第60页 |
| 5.2 研究展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录1 攻读硕士学位期间发表论文 | 第67-68页 |
| 附录2 课题来源 | 第68-69页 |
| 附录3 缩写表 | 第69页 |
