基于集成SVM的文本分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 主要研究工作 | 第11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 2 文本分类相关技术 | 第13-26页 |
| 2.1 文本分类概述 | 第13页 |
| 2.2 文本预处理 | 第13-15页 |
| 2.3 文本表示模型 | 第15-17页 |
| 2.4 文本特征降维 | 第17-20页 |
| 2.5 文本分类模型 | 第20-23页 |
| 2.6 文本分类性能评估 | 第23-25页 |
| 2.7 本章小结 | 第25-26页 |
| 3 支持向量机理论 | 第26-35页 |
| 3.1 统计学习理论 | 第26-27页 |
| 3.2 支持向量机 | 第27-33页 |
| 3.3 支持向量机存在的问题 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 集成学习 | 第35-44页 |
| 4.1 集成学习理论基础 | 第35-37页 |
| 4.2 集成学习算法 | 第37-41页 |
| 4.3 集成学习的应用的关键技术 | 第41-42页 |
| 4.4 集成学习的不足和发展方向 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 5 实验设计与结论 | 第44-50页 |
| 5.1 实验语料 | 第44页 |
| 5.2 实验结果与分析 | 第44-49页 |
| 5.3 本章小结 | 第49-50页 |
| 6 总结与展望 | 第50-51页 |
| 6.1 全文总结 | 第50页 |
| 6.2 展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
