基于支持向量机的文本分类研究
| 目录 | 第1-7页 |
| 摘要 | 第7-8页 |
| ABSTRACT | 第8-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| ·研究背景 | 第12页 |
| ·研究意义 | 第12页 |
| ·研究现状 | 第12-17页 |
| ·文本分类研究进展总体分析 | 第13页 |
| ·文本表示、特征提取和降维技术的研究进展 | 第13-14页 |
| ·文本分类算法分析 | 第14-17页 |
| ·分类器性能评价 | 第17页 |
| ·存在的问题 | 第17-18页 |
| ·研究的内容 | 第18页 |
| ·论文的组织 | 第18-20页 |
| 第二章 支持向量机理论 | 第20-32页 |
| ·机器学习 | 第20-22页 |
| ·机器学习的概念 | 第20-21页 |
| ·机器学习的模型和目标 | 第21页 |
| ·经验风险最小化 | 第21-22页 |
| ·统计学习理论 | 第22-26页 |
| ·学习过程一致性条件 | 第22-24页 |
| ·VC维 | 第24页 |
| ·推广性的界 | 第24-25页 |
| ·结构风险最小化 | 第25-26页 |
| ·支持向量机 | 第26-30页 |
| ·最大分类间隔 | 第26-27页 |
| ·线性可分支持向量机 | 第27-29页 |
| ·非线性支持向量机 | 第29-30页 |
| ·不可分情况的处理 | 第30页 |
| ·本章小结 | 第30-32页 |
| 第三章 文本表示及特征选择 | 第32-41页 |
| ·文本表示 | 第32-35页 |
| ·向量空间模型 | 第32-33页 |
| ·文本预处理 | 第33-34页 |
| ·表示空间降维 | 第34页 |
| ·权重计算 | 第34-35页 |
| ·特征选择 | 第35-38页 |
| ·基于文档频率DF的特征选择 | 第36页 |
| ·基于互信息MI的特征选择 | 第36页 |
| ·基于信息增益IG的特征选择 | 第36-37页 |
| ·基于CHI统计的特征选择 | 第37页 |
| ·基于期望交叉熵CE的特征选择 | 第37-38页 |
| ·特征重构 | 第38-40页 |
| ·潜在语义分析 | 第38-39页 |
| ·词汇聚类方法 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 分类模型构建 | 第41-46页 |
| ·核函数 | 第41-42页 |
| ·核的存在性 | 第41页 |
| ·核的种类及特性 | 第41-42页 |
| ·核函数的选择 | 第42页 |
| ·支持向量机模型的建立 | 第42-45页 |
| ·惩罚系数C | 第42-43页 |
| ·训练算法 | 第43-45页 |
| ·支持向量机学习算法 | 第45页 |
| ·支持向量机多分类器算法 | 第45页 |
| ·本章小结 | 第45-46页 |
| 第五章 基于LS-SVM和LSA的网页分类研究 | 第46-56页 |
| ·引言 | 第46页 |
| ·相关工作 | 第46-49页 |
| ·网页特征的表述 | 第46-47页 |
| ·最小二乘支持向量机 | 第47-48页 |
| ·潜在语义分析 | 第48-49页 |
| ·网页分类器的构造 | 第49-51页 |
| ·网页噪音消除 | 第49页 |
| ·文本预处理 | 第49页 |
| ·特征提取 | 第49页 |
| ·权重计算 | 第49-50页 |
| ·利用LSA降维 | 第50页 |
| ·分类器训练 | 第50-51页 |
| ·实验 | 第51-55页 |
| ·实验环境 | 第51页 |
| ·数据集 | 第51页 |
| ·实验设计 | 第51页 |
| ·实验评价 | 第51-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-57页 |
| ·结论 | 第56页 |
| ·未来的展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 附录 已发表论文情况 | 第62页 |
