| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·问题的提出及意义 | 第9-10页 |
| ·研究现状及主要成果 | 第10-11页 |
| ·本文的主要研究内容 | 第11-14页 |
| 2 中文文本分类的相关技术 | 第14-28页 |
| ·汉语分词词典 | 第15页 |
| ·汉语分词 | 第15-17页 |
| ·正向最大匹配分词 | 第16页 |
| ·反向最大匹配分词 | 第16页 |
| ·基于统计的词网格分词 | 第16-17页 |
| ·文档表示模型 | 第17-20页 |
| ·文档特征 | 第17-18页 |
| ·文档表示 | 第18-19页 |
| ·常用的特征词赋权方法 | 第19-20页 |
| ·特征降维 | 第20-25页 |
| ·特征词选择 | 第21-23页 |
| ·特征词析取 | 第23-25页 |
| ·常用的文本分类方法 | 第25-28页 |
| ·Rocchio方法——相似度计算方法 | 第25页 |
| ·K近邻方法 | 第25-26页 |
| ·贝叶斯方法 | 第26-27页 |
| ·支持向量机方法 | 第27-28页 |
| 3 统计学习理论与支持向量机 | 第28-40页 |
| ·机器学习的基本问题 | 第28-30页 |
| ·机器学习问题的表示 | 第28-29页 |
| ·经验风险最小化 | 第29页 |
| ·复杂性与推广能力 | 第29-30页 |
| ·统计学习理论的核心内容 | 第30-32页 |
| ·VC维定义 | 第30页 |
| ·推广性的界 | 第30-31页 |
| ·结构风险最小化 | 第31-32页 |
| ·支持向量机 | 第32-37页 |
| ·最优分类超平面 | 第32-33页 |
| ·线性支持向量机 | 第33-36页 |
| ·非线性支持向量机 | 第36-37页 |
| ·用于多类分类的支持向量机 | 第37-40页 |
| ·一类对余类分类方法 | 第37-38页 |
| ·成对分类 | 第38-40页 |
| 4 聚类算法在支持向量机中的应用 | 第40-52页 |
| ·聚类算法的概念与分类 | 第40-42页 |
| ·聚类的概念 | 第40-41页 |
| ·常用的聚类算法 | 第41-42页 |
| ·传统的K-均值聚类算法与基于密度概念的K-均值聚类算法 | 第42-45页 |
| ·传统K-均值算法 | 第42-43页 |
| ·基于密度概念的K-均值算法 | 第43-45页 |
| ·聚类算法在支持向量选取中的应用 | 第45-52页 |
| ·文本向量的规范化处理 | 第46-47页 |
| ·基于类别信息的两两聚类的支持向量预选取 | 第47-52页 |
| 5 实验及结果分析 | 第52-61页 |
| ·文本分类器常用性能评价指标介绍 | 第52-53页 |
| ·查准率、查全率和F_1值 | 第52页 |
| ·微平均和宏平均 | 第52-53页 |
| ·实验分析 | 第53-61页 |
| ·中文文本语料预处理 | 第54-56页 |
| ·文本分类的实现 | 第56-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读学位期间的主要学术成果 | 第69-70页 |
| 致谢 | 第70页 |