| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 第一章 绪论 | 第8-10页 |
| ·课题的研究背景及意义 | 第8页 |
| ·国内外研究现状 | 第8-9页 |
| ·本论文所作的主要工作 | 第9页 |
| ·本论文的组织结构 | 第9-10页 |
| 第二章 中文文本分类的相关技术 | 第10-18页 |
| ·文本分类的定义 | 第10页 |
| ·中文文本分类的过程 | 第10-12页 |
| ·文本预处理 | 第12-13页 |
| ·文本表示模型 | 第13-14页 |
| ·特征选择 | 第14页 |
| ·分类器性能评估 | 第14-15页 |
| ·几种常用的文本分类方法 | 第15-17页 |
| ·朴素贝叶斯方法 | 第15-16页 |
| ·最近邻法KNN(K-Nearest Neighbor) | 第16-17页 |
| ·支持向量机方法 | 第17页 |
| ·本章小结 | 第17-18页 |
| 第三章 特征选择方法比较研究及改进 | 第18-22页 |
| ·常用的特征选择方法 | 第18-20页 |
| ·信息增益 | 第18页 |
| ·互信息 | 第18-19页 |
| ·期望交叉熵 | 第19页 |
| ·χ~2统计 | 第19-20页 |
| ·特征选择方法比较 | 第20页 |
| ·改进的互信息特征选择方法 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第四章 用支持向量机实现文本分类的原理 | 第22-33页 |
| ·支持向量机概述 | 第22-25页 |
| ·支持向量机的起源和发展 | 第22页 |
| ·支持向量机的理论基础 | 第22-24页 |
| ·支持向量机的应用 | 第24-25页 |
| ·支持向量机的分类 | 第25-29页 |
| ·线性可分支持向量机 | 第25-27页 |
| ·线性不可分支持向量机 | 第27-28页 |
| ·非线性支持向量机 | 第28-29页 |
| ·解决多类分类问题 | 第29页 |
| ·支持向量机训练算法 | 第29-31页 |
| ·分类面方程到二次规划问题的转换 | 第29-30页 |
| ·SMO训练算法 | 第30-31页 |
| ·实验结果与分析 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第五章 一种改进的支持向量机多类分类方法 | 第33-42页 |
| ·DBSCAN密度聚类算法介绍 | 第33-34页 |
| ·密度聚类算法与支持向量机方法的融合 | 第34页 |
| ·利用改进基于密度聚类算法求取聚类边缘点(支持向量集) | 第34-41页 |
| ·密度聚类方法的定义 | 第35-36页 |
| ·DBSCAN算法的不足 | 第36-37页 |
| ·改进的密度聚类算法 | 第37-38页 |
| ·搜索聚类初始点 | 第38-40页 |
| ·选取聚类边界点 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第六章 算法的实现与分析 | 第42-55页 |
| ·系统模型设计 | 第42-43页 |
| ·系统功能 | 第43-50页 |
| ·实验结果与分析 | 第50-55页 |
| 第七章 总结与展望 | 第55-56页 |
| ·全文总结 | 第55页 |
| ·论未来工作展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 附录A (攻读硕士期间发表的论文) | 第61-62页 |
| 附录B 程序主要代码 | 第62-68页 |