| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究目的及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 文本分类技术研究现状 | 第10-11页 |
| 1.2.2 粗糙集理论的研究现状 | 第11-12页 |
| 1.3 本文的研究思路和结构 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 第二章 粗糙集理论 | 第14-22页 |
| 2.1 信息表知识表达系统和不可辨关系 | 第14-16页 |
| 2.1.1 信息表知识表达系统 | 第14-15页 |
| 2.1.2 可定义集 | 第15-16页 |
| 2.1.3 不可分辨关系 | 第16页 |
| 2.2 知识库 | 第16页 |
| 2.3 近似空间 | 第16-17页 |
| 2.4 粗糙集 | 第17页 |
| 2.5 知识约简 | 第17-18页 |
| 2.6 粗糙集理论的拓广 | 第18-21页 |
| 2.6.1 等价关系的泛化 | 第18-20页 |
| 2.6.2 基于知识粒度的构造和知识的表示方法的拓广 | 第20-21页 |
| 2.7 本章小结 | 第21-22页 |
| 第三章 文本分类技术 | 第22-34页 |
| 3.1 文本分类概述 | 第22-23页 |
| 3.2 文本预处理 | 第23-24页 |
| 3.3 文本特征选择和提取 | 第24-26页 |
| 3.3.1 特征选择 | 第24-25页 |
| 3.3.2 特征抽取 | 第25-26页 |
| 3.4 文本描述 | 第26-27页 |
| 3.4.1 布尔模型 | 第26页 |
| 3.4.2 向量空间模型 | 第26-27页 |
| 3.5 文本分类算法 | 第27-31页 |
| 3.5.1 KNN算法 | 第27-28页 |
| 3.5.2 Rocchio分类算法 | 第28页 |
| 3.5.3 决策树算法 | 第28-29页 |
| 3.5.4 朴素贝叶斯算法 | 第29-30页 |
| 3.5.5 基于神经网络的分类算法 | 第30-31页 |
| 3.6 分类性能评价 | 第31-32页 |
| 3.6.1 查准率和查全率 | 第31-32页 |
| 3.6.2 微平均和宏平均 | 第32页 |
| 3.7 本章小结 | 第32-34页 |
| 第四章 基于粗糙集理论的文本分类技术 | 第34-49页 |
| 4.1 可行性分析 | 第34页 |
| 4.2 基于粗糙集理论的文本分类技术流程 | 第34-37页 |
| 4.2.1 文本向量描述 | 第35页 |
| 4.2.2 特征权值离散化 | 第35-36页 |
| 4.2.3 构建决策信息表 | 第36页 |
| 4.2.4 决策表约简 | 第36页 |
| 4.2.5 决策规则 | 第36-37页 |
| 4.2.6 分类测试 | 第37页 |
| 4.3 决策表的属性约简 | 第37-42页 |
| 4.3.1 属性重要性评价标准 | 第38-40页 |
| 4.3.2 属性约简算法的研究 | 第40-41页 |
| 4.3.3 改进的属性约简算法 | 第41-42页 |
| 4.4 数值实验与分析 | 第42-47页 |
| 4.4.1 改进的粗糙集文本分类技术的具体流程 | 第42-43页 |
| 4.4.2 实验结果和分析 | 第43-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 本文的研究总结 | 第49页 |
| 5.2 本文创新 | 第49页 |
| 5.3 研究工作展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间发表论文及参加科研项目情况 | 第55-56页 |
| 致谢 | 第56页 |