属性加权的贝叶斯网络分类算法及应用

随着大数据时代文本数据规模和复杂性激增， 传统贝叶斯分类面临非线性结构、类别不平衡及数 据冗余等挑战。《属性加权的贝叶斯网络分类算法 及应用》提出一系列改进算法，包括基于改进距离 相关系数的属性加权多项式朴素贝叶斯算法、类依 赖属性加权算法及混合属性选择与加权算法，有效 优化属性权重、提升分类精度并降低计算成本。同 时，结合贝叶斯网络与神经网络，进一步增强模型 精度与鲁棒性。相关方法在地质文本分类和情感分 析中表现优异，具备重要应用价值。 《属性加权的贝叶斯网络分类算法及应用》可 供计算机科学、数据科学、人工智能领域的研究者 、本科生、研究生，以及文本挖掘、自然语言处理 与情感分析专业人士参考。

第1章 绪论 1.1 研究背景和意义 1.2 国内外研究现状 1.2.1 文本分类的发展历史 1.2.2 文本分类的研究现状 1.3 本书的研究内容 第2章 多项式朴素贝叶斯文本分类算法 2.1 文本分类简介 2.1.1 文本预处理 2.1.2 文本数据表示 2.1.3 属性降维 2.2 朴素贝叶斯文本分类算法 2.2.1 朴素贝叶斯模型 2.2.2 朴素贝叶斯文本分类模型 2.3 拓展的多项式朴素贝叶斯文本分类算法 2.3.1 属性选择的多项式朴素贝叶斯文本分类算法 2.3.2 属性加权的多项式朴素贝叶斯算法 2.3.3 实例选择的多项式朴素贝叶斯算法 2.3.4 实例加权的多项式朴素贝叶斯算法 2.3.5 结构扩展的多项式朴素贝叶斯算法 2.4 本章小结 第3章 属性加权多项式朴素贝叶斯文本分类算法 3.1 属性加权方法 3.2 基于改进距离相关系数的属性加权多项式朴素贝叶斯文本分类算法 3.2.1 距离相关系数 3.2.2 改进的距离相关系数 3.2.3 基于改进距离相关系数的文本分类算法 3.3 实验设计与结果分析 3.3.1 实验平台 3.3.2 模型评估 3.3.3 实验设计 3.3.4 结果分析 3.4 本章小结 第4章 类依赖属性加权的多项式朴素贝叶斯文本分类算法 4.1 类依赖属性加权方法 4.2 基于改进卡方统计的类依赖属性加权多项式朴素贝叶斯算法 4.2.1 卡方统计加权算法 4.2.2 改进的卡方统计加权算法 4.2.3 基于改进卡方统计的文本分类算法 4.3 实验设计与结果分析 4.3.1 实验设计 4.3.2 结果分析 4.4 本章小结 第5章 混合属性选择与加权的多项式朴素贝叶斯文本分类算法 5.1 属性选择方法 5.1.1 过滤型 5.1.2 包装型 5.1.3 嵌入型 5.2 基于改进互信息的混合属性选择与加权多项式朴素贝叶斯算法 5.2.1 基于互信息的属性选择算法