基于SVM的中文网页自动分类技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| ·课题的研究背景和意义 | 第10-11页 |
| ·课题的国内外研究现状 | 第11-13页 |
| ·自动分类技术发展情况 | 第11-12页 |
| ·基于网页分类技术的研究现状 | 第12-13页 |
| ·统计学习理论与支持向量机 | 第13-14页 |
| ·论文的主要内容和结构安排 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 Web挖掘研究概述 | 第16-24页 |
| ·Web挖掘概述 | 第16-17页 |
| ·Web挖掘的概念 | 第16-17页 |
| ·Web挖掘的流程 | 第17页 |
| ·Web挖掘的分类 | 第17-19页 |
| ·Web挖掘的复杂度 | 第19-21页 |
| ·Web挖掘的应用 | 第21-22页 |
| ·Web数据挖掘的特性及面临的问题 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 中文网页自动分类的关键技术 | 第24-39页 |
| ·文本自动分类 | 第24-25页 |
| ·中文网页自动分类过程 | 第25-27页 |
| ·中文网页预处理 | 第27-29页 |
| ·特征提取技术 | 第29-31页 |
| ·特征项的权重计算 | 第31-33页 |
| ·网页文本分类算法 | 第33-35页 |
| ·网页分类效果的评价指标 | 第35-36页 |
| ·中文网页分类技术的难点及突出问题 | 第36-37页 |
| ·中文网页分类研究热点 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 支持向量机技术 | 第39-51页 |
| ·机器学习问题 | 第39-41页 |
| ·机器学习 | 第39-40页 |
| ·经验风险最小化原则 | 第40-41页 |
| ·VC维和结构风险最小化 | 第41-43页 |
| ·VC维 | 第41-42页 |
| ·结构风险最小化原则 | 第42-43页 |
| ·最优分类面 | 第43-44页 |
| ·核函数的构造 | 第44-45页 |
| ·多类SVM分类算法 | 第45-49页 |
| ·"1-1"方法 | 第45-46页 |
| ·"1-N"方法 | 第46-47页 |
| ·决策有向无环图方法 | 第47页 |
| ·二叉树方法 | 第47-49页 |
| ·支持向量机的应用 | 第49页 |
| ·需要解决的问题 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 基于支持向量机的网页分类研究 | 第51-56页 |
| ·支持向量机分类方法的改进 | 第51-52页 |
| ·特征提取模块 | 第52-53页 |
| ·实验结果与分析 | 第53-55页 |
| ·改进算法的实验结果 | 第53-54页 |
| ·特征表示对分类结果的影响 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| ·总结 | 第56页 |
| ·展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 附录A 图索引 | 第63-64页 |
| 附录B 表索引 | 第64-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间发表的学术论文 | 第66页 |
