| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 1.4 论文的结构安排 | 第16-17页 |
| 第二章 主题模型的发展 | 第17-32页 |
| 2.1 浅层语义分析LSA | 第17-20页 |
| 2.1.1 LSA的原理 | 第18-19页 |
| 2.1.2 LSA的优缺点 | 第19-20页 |
| 2.2 概率浅层语义分析PLSA | 第20-22页 |
| 2.2.1 PLSA的原理 | 第20-21页 |
| 2.2.2 PLSA的特点 | 第21-22页 |
| 2.3 隐含狄利克雷分布LDA | 第22-30页 |
| 2.3.1 基本概念 | 第22-25页 |
| 2.3.2 文档产生过程 | 第25-27页 |
| 2.3.3 训练及推导 | 第27-30页 |
| 2.3.4 LDA的应用 | 第30页 |
| 2.4 监督主题模型SUPERVISED TOPIC MODEL | 第30-32页 |
| 2.4.1 Supervised Topic Model的代表 | 第31-32页 |
| 第三章 文本分类 | 第32-48页 |
| 3.1 文本分类概述 | 第32-33页 |
| 3.2 文本分类系统构成 | 第33-36页 |
| 3.3 常用文本分类方法 | 第36-41页 |
| 3.3.1 朴素贝叶斯 | 第37-38页 |
| 3.3.2 决策树 | 第38页 |
| 3.3.3 支持向量机SVM | 第38-41页 |
| 3.4 分类评价方法 | 第41-44页 |
| 3.4.1 准确率与召回率 | 第42-43页 |
| 3.4.2 宏平均和微平均 | 第43-44页 |
| 3.4.3 多标签分类评价 | 第44页 |
| 3.5 传统主题模型用于文本分类 | 第44-48页 |
| 3.5.1 LDA用于特征提取 | 第45-46页 |
| 3.5.2 CTM结合SVM进行分类 | 第46-48页 |
| 第四章 改进LABELED LDA用于文本分类 | 第48-60页 |
| 4.1 标签狄利克雷分配LABELED LDA | 第48-50页 |
| 4.1.1 Labeled LDA的原理 | 第48-50页 |
| 4.1.2 Labeled LDA的特点 | 第50页 |
| 4.2 改进LABELED LDA文本分类过程 | 第50-56页 |
| 4.2.1 模型描述 | 第50-53页 |
| 4.2.2 参数推导 | 第53-54页 |
| 4.2.3 实验效果分析 | 第54-56页 |
| 4.3 语料数据偏斜问题 | 第56-60页 |
| 4.3.1 基于Labeled-LDA模型的偏斜数据处理 | 第57-58页 |
| 4.3.2 实现效果分析 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 本文的总结工作 | 第60-61页 |
| 5.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64页 |
