| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-14页 |
| ·研究背景和意义 | 第8-9页 |
| ·研究现状 | 第9-12页 |
| ·本文的主要内容 | 第12-13页 |
| ·论文组织结构 | 第13-14页 |
| 第2章 数据挖掘的原理和技术 | 第14-28页 |
| ·数据挖掘概念 | 第14页 |
| ·数据挖掘分析方法和工具 | 第14-15页 |
| ·Web挖掘和文本挖掘 | 第15页 |
| ·作者风格分类识别技术 | 第15-17页 |
| ·Rocchio算法 | 第16页 |
| ·朴素贝叶斯算法(NB) | 第16-17页 |
| ·K-近邻算法(KNN) | 第17页 |
| ·决策树(Decision Tree) 算法 | 第17页 |
| ·神经网络算法(NN) | 第17页 |
| ·支持向量机算法(SVM) | 第17页 |
| ·支持向量机SVM | 第17-25页 |
| ·统计学习理论 | 第17-18页 |
| ·支持向量机SVM基础 | 第18-19页 |
| ·线性支持向量机 | 第19-22页 |
| ·SVM核函数 | 第22-24页 |
| ·构造SVM多类分类器的方法 | 第24页 |
| ·SVM的计算复杂度 | 第24-25页 |
| ·最近邻算法KNN | 第25-26页 |
| ·朴素贝叶斯算法 | 第26-28页 |
| 第3章 Web信息作者风格分类挖掘技术研究 | 第28-46页 |
| ·Web信息特征分析 | 第28-31页 |
| ·格式特征 | 第28-29页 |
| ·结构特征 | 第29-30页 |
| ·写作风格特征 | 第30-31页 |
| ·Web信息作者风格分类过程模型 | 第31-33页 |
| ·关键问题和技术 | 第33-45页 |
| ·Web页面提取和预处理 | 第33-36页 |
| ·分词 | 第36-37页 |
| ·特征提取 | 第37-42页 |
| ·特征降维 | 第42-43页 |
| ·分类算法 | 第43-45页 |
| ·评估标准 | 第45-46页 |
| 第4章 Web文本作者风格分类识别系统的设计与实现 | 第46-55页 |
| ·系统总体框架 | 第46-48页 |
| ·系统实现 | 第48-55页 |
| 第5章 Web信息作者风格分类实验数据 | 第55-61页 |
| ·实验目的及环境 | 第55页 |
| ·Web文本作者判定系统应用 | 第55-56页 |
| ·Web文本作者判定原理 | 第56页 |
| ·训练集和测试集 | 第56-57页 |
| ·实验数据和结果 | 第57-60页 |
| ·实验结果分析 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 个人简历 | 第67页 |