| 摘要 | 第1-3页 |
| ABSTRACT | 第3-8页 |
| 1. 导论 | 第8-16页 |
| ·研究的背景及意义 | 第8-10页 |
| ·研究的背景 | 第8页 |
| ·研究的意义 | 第8-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·文本分类国内外研究现状 | 第10-11页 |
| ·支持向量机国内外研究现状 | 第11-13页 |
| ·论文研究的思路结构框架 | 第13-16页 |
| 2. Web中文文本分类理论概述 | 第16-29页 |
| ·文本分类基本概念 | 第16页 |
| ·Web文本预处理 | 第16-19页 |
| ·Web网页结构化信息处理 | 第17页 |
| ·中文分词 | 第17-19页 |
| ·去除停用词 | 第19页 |
| ·Web中文文本表示 | 第19-21页 |
| ·Web中文文本维数压缩处理 | 第21-23页 |
| ·文档频率(DF) | 第22页 |
| ·信息增益(IG) | 第22页 |
| ·互信息(MI) | 第22-23页 |
| ·χ~2统计量(CHI) | 第23页 |
| ·Web中文文本特征权重算法 | 第23-24页 |
| ·Web中文文本分类算法 | 第24-26页 |
| ·K近邻分类算法(KNN) | 第24-25页 |
| ·朴素贝叶斯分类算法(NB) | 第25-26页 |
| ·支持向量机分类算法(SVM) | 第26页 |
| ·性能评估算法 | 第26-29页 |
| 3. 粗糙集概述 | 第29-35页 |
| ·粗糙集基本概念 | 第29-32页 |
| ·知识约简 | 第32-33页 |
| ·改进的基于启发式属性约简的粗糙集方法 | 第33-35页 |
| 4. 支持向量机及其改进算法 | 第35-48页 |
| ·SVM的基础理论 | 第35-37页 |
| ·传统统计学理论 | 第35页 |
| ·VC维 | 第35-36页 |
| ·推广性的界 | 第36页 |
| ·结构风险最小化 | 第36-37页 |
| ·两类分类建模 | 第37-43页 |
| ·硬间隔及SVM线性可分问题 | 第37-39页 |
| ·软间隔及SVM线性不可分问题 | 第39-40页 |
| ·非线性SVM的最优化算法 | 第40-42页 |
| ·改进的组合核函数分类方法 | 第42-43页 |
| ·多类建模问题 | 第43-48页 |
| ·一对余(one-vs-rest)SVMs | 第43页 |
| ·一对一(one-vs-one)SVMs | 第43-44页 |
| ·有向无环图SVMs(DAG-SVMs) | 第44-45页 |
| ·二叉决策树SVMs | 第45-46页 |
| ·改进的层聚类重心距离二叉决策树SVMs | 第46-48页 |
| 5. 基于RS-SVM的Web中文文本分类系统设计与实现 | 第48-57页 |
| ·系统开发平台及环境 | 第48页 |
| ·系统总体构造 | 第48-49页 |
| ·语料库 | 第49-50页 |
| ·系统应用步骤及结果分析 | 第50-57页 |
| ·系统应用主要步骤 | 第50-52页 |
| ·RS-SVM文本分类方法流程 | 第52-54页 |
| ·分类结果评估 | 第54-57页 |
| 6. 总结与展望 | 第57-59页 |
| ·全文总结 | 第57-58页 |
| ·存在的问题及对未来工作的展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 后记 | 第64-65页 |