前言
章 绪论 1
1.1 智能语言处理 1
1.1.1 NLP与文本处理 1
1.1.2 文本信息抽取 3
1.2 网络文本分类应用 6
1.2.1 常见的应用领域 6
1.2.2 相关技术领域 11
1.3 文本分类步骤 15
1.3.1 文本预处理 15
1.3.2 文本分词 18
1.3.3 特征选择 18
1.3.4 数值化表示 19
1.3.5 分类器分类 21
1.4 本章小结 27
第2章 文本预处理 28
2.1 预处理环节 28
2.1.1 标记化 28
2.1.2 规范化 29
2.2 分词技术应用 33
2.2.1 常见应用领域 33
2.2.2 应用中涉及的主要问题 36
. 中文分词方法 40
..1 基于词典匹配的分词 40
..2 基于统计的序列标注技术 43
.. 基于深度学习的分词 53
2.4 分词工具 54
2.4.1 Python中文分词工具 54
2.4.2 java中文分词工具 55
2.5 本章小结 57
第3章 特征表示与降维 58
3.1 文本表示模型 58
3.1.1 One-hot独热模型 58
3.1.2 向量空间模型 59
3.1.3 主题模型 60
3.1.4 神经网络语言模型 67
3.2 特征空间降维 78
3.2.1 特征选择 79
3.2.2 特征提取 83
3.3 小结 85
第4章 文本分类算法 86
4.1 基于规则的算法 87
4.1.1 决策树算法 87
4.1.2 基于粗糙集理论的算法 92
4.2 基于统计的算法 93
4.2.1 Rocchio算法 94
4.2.2 k近邻算法 95
4.. 朴素贝叶斯算法 97
4.2.4 Logistic回归算法 102
4.2.5 Softmax 回归算法 105
4.2.6 支持向量机 106
4.3 神经网络算法 113
4.3.1 神经网络概述 113
4.3.2 BP神经网络 115
4.4 集成学习算法 118
4.4.1 Bagging算法 119
4.4.2 Boosting算法 120
4.5 分类算法评价指标 122
4.6 本章小结 126
第5章 多标签文本分类技术 127
5.1 多标签文本分类问题描述 128
5.2 多标签文本分类算法 129
5.2.1 问题转换法 129
5.2.2 算法适应法 132
5.3 多标签文本分类常用的评价方法 155
5.4 本章小结 159
第6章 短文本分类及应用 161
6.1 背景与意义 161
6.2 当前研究现状 163
6.2.1 特征挖掘与表示 163
6.2.2 分类算法 165
6.3 基于LDA的主题分类 166
6.3.1 LDA模型概述 166
6.3.2 LDA模型原理 167
6.3.3 LDA参数估计 170
6.3.4 主题挖掘与处理 176
6.4 微博文本主题分类 183
6.4.1 文本预处理 184
6.4.2 LDA建模 186
6.5 本章小结 189
参考文献 191
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
