| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究历史与现状 | 第13-16页 |
| 1.2.1 短文本分类研究现状 | 第13页 |
| 1.2.2 半监督学习研究现状 | 第13-16页 |
| 1.3 本文主要研究内容和创新点 | 第16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 2 相关理论 | 第18-29页 |
| 2.1 短文本特点 | 第18-19页 |
| 2.2 短文本研究的领域 | 第19-22页 |
| 2.2.1 短文本相似度计算 | 第19页 |
| 2.2.2 短文本聚类 | 第19-20页 |
| 2.2.3 短文本分类 | 第20-22页 |
| 2.3 半监督学习理论 | 第22-24页 |
| 2.3.1 半监督学习的定义 | 第22-23页 |
| 2.3.2 监督学习与半监督学习对比 | 第23-24页 |
| 2.4 几种基于图的半监督分类方法 | 第24-26页 |
| 2.4.1 图的最小分割方法 | 第24-25页 |
| 2.4.2 调和函数方法 | 第25页 |
| 2.4.3 基于局部和全局一致性算法 | 第25-26页 |
| 2.5 评价指标 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 3 受限约束选择算法 | 第29-35页 |
| 3.1 基于模糊熵的短文本特征选择算法 | 第29-31页 |
| 3.1.1 模糊熵理论基础 | 第29-30页 |
| 3.1.2 隶属度函数的设计 | 第30-31页 |
| 3.1.3 模糊熵的计算 | 第31页 |
| 3.1.4 基于模糊熵的短文本特征选择算法 | 第31页 |
| 3.2 基于半监督学习的标签传播算法 | 第31-32页 |
| 3.3 受限约束的选择算法 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于受限约束范围标签传播的半监督学习算法 | 第35-43页 |
| 4.1 标签传播算法 | 第35页 |
| 4.2 利用受限约束的标签传播算法 | 第35-37页 |
| 4.3 实验结果及分析 | 第37-40页 |
| 4.3.1 数据描述 | 第37页 |
| 4.3.2 参数分析 | 第37-38页 |
| 4.3.3 与已有算法的比较结果 | 第38-40页 |
| 4.4 使用特征选择算法对短文本进行预处理后的分类实验结果分析 | 第40-42页 |
| 4.4.1 语料库 | 第40页 |
| 4.4.2 实验设计 | 第40页 |
| 4.4.3 不同语料上的实验结果及分析 | 第40-42页 |
| 4.4.4 同语料上不同算法的实验结果及分析 | 第42页 |
| 4.5 本章小结 | 第42-43页 |
| 5 总结与展望 | 第43-45页 |
| 5.1 论文研究总结 | 第43页 |
| 5.2 展望 | 第43-45页 |
| 参考文献 | 第45-49页 |
| 致谢 | 第49页 |