基于类短语串和半监督学习的短文本分类研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 1 绪论 | 第13-20页 |
| ·课题研究的背景 | 第13-14页 |
| ·课题研究的意义 | 第14-15页 |
| ·短文本的语言特征 | 第15-17页 |
| ·国内外研究现状 | 第17-18页 |
| ·本文的工作及创新点 | 第18-19页 |
| ·论文的组织结构 | 第19-20页 |
| 2 文本分类中的半监督学习综述 | 第20-31页 |
| ·文本表示模型 | 第20-24页 |
| ·文本特征 | 第21-22页 |
| ·文本表示 | 第22-24页 |
| ·文本分类的监督学习算法 | 第24-28页 |
| ·朴素贝叶斯分类方法 | 第24-26页 |
| ·最大熵方法 | 第26页 |
| ·K最近邻分类 | 第26-27页 |
| ·神经网络 | 第27页 |
| ·支持向量机 | 第27-28页 |
| ·基于小规模标注语料的半监督学习 | 第28-30页 |
| ·生成式模型 | 第28-29页 |
| ·协同训练算法 | 第29-30页 |
| ·直推式学习 | 第30页 |
| ·本章小结 | 第30-31页 |
| 3 基于类短语串的短文本特征选择 | 第31-45页 |
| ·传统文本表示模型的不足 | 第31-32页 |
| ·类短语串的概念及界定 | 第32-35页 |
| ·相关定义 | 第32-33页 |
| ·类短语串的定义 | 第33页 |
| ·类短语串的界定 | 第33-35页 |
| ·基于类短语串的特征表示 | 第35-36页 |
| ·基于类短语串的特征选择 | 第36-39页 |
| ·常用特征选择方法 | 第37-38页 |
| ·结合文档频次和互信息量的特征选择方法 | 第38-39页 |
| ·实验结果与分析 | 第39-43页 |
| ·语料库 | 第39页 |
| ·评价指标 | 第39-41页 |
| ·实验设计 | 第41页 |
| ·实验结果及分析 | 第41-43页 |
| ·本章小结 | 第43-45页 |
| 4 嵌入集成学习的半监督EM短文本分类算法 | 第45-59页 |
| ·半监督的EM算法 | 第45-47页 |
| ·标准EM算法 | 第45-46页 |
| ·半监督的EM文本分类算法 | 第46-47页 |
| ·基于属性选择的集成学习 | 第47-52页 |
| ·常用属性选择方法 | 第47-50页 |
| ·基于ReliefF评估和独立性度量的属性选择 | 第50-52页 |
| ·基于属性选择的贝叶斯分类器集成 | 第52页 |
| ·嵌入集成学习的半监督EM短文本分类算法 | 第52-54页 |
| ·算法设计思路 | 第52-53页 |
| ·算法具体介绍 | 第53-54页 |
| ·实验结果与分析 | 第54-58页 |
| ·实验设计 | 第54页 |
| ·实验结果与分析 | 第54-58页 |
| ·本章小结 | 第58-59页 |
| 5 基于PLR和FB-EM的BBS话题跟踪系统 | 第59-64页 |
| ·话题跟踪综述 | 第59页 |
| ·基于PLR和FB-EM的BBS话题跟踪系统 | 第59-61页 |
| ·应用实验 | 第61-63页 |
| ·实验设计 | 第61页 |
| ·系统具体功能 | 第61-63页 |
| ·实验结果分析 | 第63页 |
| ·本章小结 | 第63-64页 |
| 6 结束语 | 第64-66页 |
| ·全文总结 | 第64-65页 |
| ·工作展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 论文及科研情况 | 第70页 |
| 发表的论文 | 第70页 |
| 参与的科研项目 | 第70页 |
