KNN文本分类研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题的研究背景和应用前景 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·国外研究现状 | 第11-13页 |
| ·国内研究现状 | 第13-14页 |
| ·本文研究的内容 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第2章 中文文本分类技术简介 | 第16-30页 |
| ·文本分类的预处理工作 | 第16-23页 |
| ·中文文本分词技术 | 第16-18页 |
| ·文本表示模型 | 第18-21页 |
| ·特征选择和特征加权 | 第21-23页 |
| ·文本分类算法简介 | 第23-28页 |
| ·Rocchio 算法 | 第24页 |
| ·朴素贝叶斯算法 | 第24-25页 |
| ·KNN 分类算法 | 第25-26页 |
| ·支持向量机分类算法 | 第26-28页 |
| ·评价文本分类算法方法 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 对TFIDF 加权方案的改进 | 第30-42页 |
| ·文本特征加权简介 | 第30-31页 |
| ·传统TFIDF 简介 | 第31-32页 |
| ·传统TFIDF 缺陷的研究 | 第32-35页 |
| ·传统TF 函数缺陷 | 第32-34页 |
| ·传统IDF 函数缺陷 | 第34-35页 |
| ·改进的TFIDF 加权方案 | 第35-37页 |
| ·改进的TF 函数 | 第35-36页 |
| ·改进的IDF 函数 | 第36-37页 |
| ·新型TFIDF 与主流分类算法的结合 | 第37-41页 |
| ·新TFIDF 与KNN 分类算法的结合 | 第38-40页 |
| ·新TFIDF 与SVM 分类算法的结合 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 KNN 算法研究与改进 | 第42-56页 |
| ·KNN 文本分类算法简介 | 第42页 |
| ·影响KNN 分类算法的因素 | 第42-44页 |
| ·影响KNN 分类准确率的因素 | 第43-44页 |
| ·影响KNN 分类速度的因素 | 第44页 |
| ·KNN 边界问题解决方案 | 第44-50页 |
| ·已存在的解决方案 | 第44-45页 |
| ·本文提出的解决方案 | 第45-48页 |
| ·实际应用与算法实现 | 第48-50页 |
| ·KNN 训练文本的裁剪方案 | 第50-55页 |
| ·基本概念 | 第51-52页 |
| ·类内部样本裁剪方法 | 第52-53页 |
| ·类内部样本裁剪算法 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 实验及分析 | 第56-66页 |
| ·实验测试环境与数据集 | 第56-57页 |
| ·实验测试环境 | 第56页 |
| ·数据集 | 第56-57页 |
| ·实验设计方案与评估方式 | 第57-58页 |
| ·改进的TFIDF 实验设计方案 | 第57页 |
| ·改进的KNN 实验方案 | 第57-58页 |
| ·评估方式 | 第58页 |
| ·实验结果及分析 | 第58-65页 |
| ·改进的TFIDF 实验结果及分析 | 第58-62页 |
| ·改进的KNN 实验结果及分析 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 作者简介 | 第75页 |
