基于KNN算法的中文Web文本分类技术研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-10页 |
| 1 绪论 | 第10-16页 |
| ·课题研究的背景和意义 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·国外研究现状 | 第11页 |
| ·国内研究现状 | 第11-12页 |
| ·Web 文本分类概述 | 第12-15页 |
| ·Web 文本分类定义 | 第12-14页 |
| ·中文Web 文本分类流程 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 2. Web 文本预处理与特征选择 | 第16-26页 |
| ·Web 文本预处理 | 第16-17页 |
| ·文本表示 | 第17页 |
| ·中文文本分词 | 第17-20页 |
| ·文本特征选择方法 | 第20-23页 |
| ·基于文档频率的特征提取法 | 第20页 |
| ·信息增益法 | 第20-21页 |
| ·互信息法 | 第21页 |
| ·期望交叉熵法 | 第21-22页 |
| ·x~2 统计量 | 第22-23页 |
| ·特征权重计算 | 第23-24页 |
| ·改进的TF-IWF 特征权重计算方法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3. 文本分类算法 | 第26-35页 |
| ·文本分类算法概述 | 第26-27页 |
| ·常见文本分类算法 | 第27-33页 |
| ·线性最小平方拟合法 | 第27页 |
| ·Na(1|¨)ve Bayes-贝叶斯方法 | 第27-29页 |
| ·KNN –K 近邻方法 | 第29-30页 |
| ·SVM –支持向量机 | 第30-31页 |
| ·Decision Tree –决策树方法 | 第31-32页 |
| ·Neural Networks –神经网络方法 | 第32页 |
| ·Rough Sets –粗糙集方法 | 第32-33页 |
| ·改进的KNN 算法–类内均值KNN 算法 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 4. 算法评价与实验分析 | 第35-43页 |
| ·文本分类性能评价 | 第35-37页 |
| ·影响分类效果的主要因素 | 第35页 |
| ·评价标准 | 第35-37页 |
| ·语料库 | 第37页 |
| ·文本分类实验和分析 | 第37-42页 |
| ·基于位置的特征权重算法实验分析 | 第38-41页 |
| ·类内均值KNN算法的实验分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 5. 总结和展望 | 第43-45页 |
| ·总结 | 第43-44页 |
| ·展望 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 作者简历 | 第47-49页 |
| 学位论文数据集 | 第49-50页 |
