| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 文本分类研究背景与发展历史 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 国内外文本分类研究历史及现状 | 第12-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 本文主要研究工作 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第2章 文本分类相关技术总结 | 第16-27页 |
| 2.1 文本预处理 | 第16-17页 |
| 2.1.1 分词 | 第16-17页 |
| 2.1.2 去停用词 | 第17页 |
| 2.2 文本表示 | 第17-21页 |
| 2.2.1 特征选择 | 第17-20页 |
| 2.2.2 相似度计算 | 第20-21页 |
| 2.3 文本表示模型 | 第21-22页 |
| 2.3.1 基于集合论的模型 | 第21页 |
| 2.3.2 基于代数论的模型 | 第21-22页 |
| 2.3.3 概率检索的模型 | 第22页 |
| 2.4 常用的文本分类算法介绍 | 第22-25页 |
| 2.4.1 朴素贝叶斯 | 第22-23页 |
| 2.4.2 支持向量机算法 | 第23页 |
| 2.4.3 K最近邻算法 | 第23-24页 |
| 2.4.4 神经网络 | 第24-25页 |
| 2.5 评价方法 | 第25-26页 |
| 2.6 本章总结 | 第26-27页 |
| 第3章 集成学习在英文文本分类中的应用及优化 | 第27-41页 |
| 3.1 Bagging算法介绍及优化 | 第28-33页 |
| 3.1.1 Bagging算法原理介绍及实现流程 | 第28-29页 |
| 3.1.2 随机森林算法介绍 | 第29-31页 |
| 3.1.3 随机森林优化算法OOB-WRF | 第31-33页 |
| 3.2 Boosting算法介绍及其优化 | 第33-40页 |
| 3.2.1 Boosting算法介绍 | 第33页 |
| 3.2.2 AdaBoost算法介绍 | 第33-35页 |
| 3.2.3 Ada-NB算法 | 第35-37页 |
| 3.2.4 修正类别词频的贝叶斯文本分类算法Ada-RCFNB | 第37-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 实验设计与结果分析 | 第41-50页 |
| 4.1 实验设计概要 | 第41页 |
| 4.2 实验环境和数据集 | 第41-43页 |
| 4.2.1 实验环境 | 第41-43页 |
| 4.2.2 数据集 | 第43页 |
| 4.3 对比实验 | 第43-49页 |
| 4.3.1 常用文本分类算法对比实验 | 第43-45页 |
| 4.3.2 C4.5、RF、OOB-WRF对比实验 | 第45-46页 |
| 4.3.3 NB、RCFNB、Ada-RCFNB对比实验 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 全文总结 | 第50-51页 |
| 5.2 工作展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 作者简介及科研成果 | 第55-56页 |
| 致谢 | 第56页 |
