论文目录 | |
摘要 | 第1-8页 |
Abstract | 第8-10页 |
1 绪论 | 第10-15页 |
· 选题背景 | 第10-13页 |
· 研究意义 | 第13页 |
· 论文的主要工作 | 第13-14页 |
· 论文的结构组织 | 第14-15页 |
2 文本分类的相关技术 | 第15-26页 |
· 数据模型 | 第16-17页 |
· 特征选择 | 第17-18页 |
· 传统的文本分类方法 | 第18-22页 |
· ROCCHIO ALGORITHM 算法 | 第18-19页 |
· NAIVE BAYESIAN 算法 | 第19-21页 |
· SUPPORT VECTOR MACHINES 算法 | 第21-22页 |
· 半监督学习理论 | 第22-23页 |
· 基于 POSITIVE 和 UNLABELED 样本的分类研究 | 第23页 |
· 文本分类评价法则 | 第23-25页 |
· 本章小结 | 第25-26页 |
3 关于 UNLABELED 文本的类型标注 | 第26-41页 |
· 问题描述 | 第26页 |
· 理论基础 | 第26-27页 |
· 类别标注法则 | 第27-35页 |
· 基于K-MEANS 的 UNLABELED 数据样本聚类 | 第27-28页 |
· 贝叶斯概率模型 | 第28-30页 |
· EM 迭代算法估计未带标签缺值 | 第30-31页 |
· 算法的进一步改进 | 第31-34页 |
· 聚类结果的分析改进 | 第32页 |
· 分类结果的分析改进 | 第32-34页 |
· 基于POSITIVE 和 UNLABELED 样本的数据分布问题 | 第34-35页 |
· 实验的设计与结果分析 | 第35-40页 |
· 评价标准 | 第35-36页 |
· 数据集 | 第36-37页 |
· 实验结果及分析 | 第37-40页 |
· NB-C 分类的性能 | 第37-38页 |
· 基于 K-means 的 NB-EM 系统 | 第38-39页 |
· 改进的 NB-EM 系统 | 第39-40页 |
· 本章小结 | 第40-41页 |
4 半监督机器学习识别 UNLABELED 未知类别 | 第41-53页 |
· 问题描述 | 第41页 |
· 基于信息熵理论生成未知类别训练文档 | 第41-44页 |
· 构建识别UNLABELED 未知类别文档的分类器 | 第44-45页 |
· 实验结果与分析 | 第45-46页 |
· 数据集 | 第45页 |
· 实验结果与分析 | 第45-46页 |
· 基于信息熵理论主动学习 | 第46-48页 |
· 主动学习策略 | 第46-47页 |
· 信息熵的半监督分类系统 | 第47-48页 |
· 实验设计与结果分析 | 第48-51页 |
· 数据集 | 第48-49页 |
· 实验结果 | 第49-51页 |
· 本章小结 | 第51-53页 |
5 基于机器学习的情感分类 | 第53-60页 |
· 问题描述 | 第53-54页 |
· 基于最大熵理论的情感词标记 | 第54-56页 |
· 基于情感词标引的 SVM 分类 | 第56页 |
· 实验结果与分析 | 第56-59页 |
· 本章小结 | 第59-60页 |
6 总结与展望 | 第60-62页 |
· 本文工作总结 | 第60-61页 |
· 未来工作展望 | 第61-62页 |
参考文献 | 第62-69页 |
攻读硕士学位期间已发表论文及参加科研项目 | 第69-71页 |
致谢 | 第71-72
页 |