| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 论文研究背景 | 第10-12页 |
| 1.1.1 背景和意义 | 第10-11页 |
| 1.1.2 国内外研究现状 | 第11-12页 |
| 1.2 论文主要研究工作 | 第12-13页 |
| 1.3 论文组织结构 | 第13-14页 |
| 第2章 文本分类中的关键技术 | 第14-24页 |
| 2.1 预处理 | 第14-16页 |
| 2.1.1 分词 | 第14-15页 |
| 2.1.2 去除停用词 | 第15-16页 |
| 2.2 特征选择 | 第16-18页 |
| 2.2.1 文档频率 | 第16页 |
| 2.2.2 信息增益 | 第16-17页 |
| 2.2.3 卡方检验 | 第17页 |
| 2.2.4 互信息 | 第17-18页 |
| 2.3 文本表示 | 第18-19页 |
| 2.3.1 布尔模型 | 第18页 |
| 2.3.2 向量空间模型 | 第18页 |
| 2.3.3 统计主题模型 | 第18-19页 |
| 2.4 文本分类算法 | 第19-21页 |
| 2.4.1 朴素贝叶斯分类 | 第19-20页 |
| 2.4.2 K近邻分类 | 第20页 |
| 2.4.3 支持向量机分类 | 第20-21页 |
| 2.4.4 决策树分类 | 第21页 |
| 2.5 文本分类效果评估 | 第21-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 基于词向量的文本特征选择方法 | 第24-38页 |
| 3.1 基于LDA词向量的特征选择方法 | 第24-29页 |
| 3.1.1 LDA模型 | 第24-26页 |
| 3.1.2 基于LDA词向量的特征选择 | 第26-29页 |
| 3.2 基于Word2vec词向量的特征选择方法 | 第29-34页 |
| 3.2.1 Word2vec综述 | 第30-33页 |
| 3.2.2 基于Word2vec词向量的特征选择 | 第33-34页 |
| 3.3 实验 | 第34-36页 |
| 3.3.1 实验数据集 | 第34页 |
| 3.3.2 实验结果及分析 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第4章 LDA模型的分类和主题重要性排序 | 第38-52页 |
| 4.1 基于遗传算法和LDA主题模型的文本分类 | 第38-42页 |
| 4.1.1 遗传算法的介绍及优点 | 第38-39页 |
| 4.1.2 遗传算法在文本特征选择中的关键技术 | 第39-41页 |
| 4.1.3 基于改进输入特征的LDA模型的分类 | 第41-42页 |
| 4.2 LDA模型的主题重要性排序 | 第42-46页 |
| 4.2.1 TSR主题重要性排序 | 第42-45页 |
| 4.2.2 最大垃圾主题距离-最小相似度的主题重要性排序 | 第45-46页 |
| 4.3 实验 | 第46-51页 |
| 4.3.1 基于遗传算法改进输入特征实验 | 第46-48页 |
| 4.3.2 LDA主题重要性排序实验 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于LF-LDA模型和Word2vec的文本表示 | 第52-64页 |
| 5.1 LF-LDA模型 | 第52-55页 |
| 5.1.1 LF-LDA模型原理 | 第52-54页 |
| 5.1.2 LF-LDA模型推断文章主题分布 | 第54-55页 |
| 5.2 基于LF-LDA和Word2vec的文本表示模型 | 第55-60页 |
| 5.2.1 LDA和Word2vec结合的文档表示模型 | 第55-58页 |
| 5.2.2 LF-LDA和Word2vec结合的文档表示模型 | 第58-59页 |
| 5.2.3 基于主题向量的文档表示模型 | 第59-60页 |
| 5.3 实验 | 第60-62页 |
| 5.3.1 实验数据集 | 第60-61页 |
| 5.3.2 实验结果及分析 | 第61-62页 |
| 5.4 本章小结 | 第62-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 下一步工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第72页 |
