中文网页自动分类关键技术研究
| 第一章 引言 | 第1-9页 |
| ·课题的研究背景和意义 | 第6-7页 |
| ·本文研究的主要内容 | 第7页 |
| ·本文的章节安排 | 第7-9页 |
| 第二章 自动分类技术概述 | 第9-15页 |
| ·文本自动分类的概念 | 第9-10页 |
| ·文本自动分类的国内外研究现状 | 第10页 |
| ·自动分类算法的分类 | 第10-12页 |
| ·中文网页自动分类的任务 | 第12-13页 |
| ·实现中文网页自动分类的一般过程 | 第13页 |
| ·分类器的性能评价 | 第13-15页 |
| 第三章 中文网页的预处理 | 第15-28页 |
| ·中文网页预处理概述 | 第15页 |
| ·中文分词技术 | 第15-21页 |
| ·中文分词概述 | 第15-16页 |
| ·常见的中文分词算法 | 第16-18页 |
| ·中文分词歧义的处理 | 第18-19页 |
| ·未登录词的识别 | 第19-21页 |
| ·特征项的选择方法 | 第21-24页 |
| ·文档频率 | 第21-22页 |
| ·信息增益 | 第22页 |
| ·互信息 | 第22-23页 |
| ·CHI 统计 | 第23页 |
| ·多尺度特征选择方法 | 第23-24页 |
| ·中文网页的表示 | 第24-28页 |
| ·中文网页表示内容的选择 | 第24-25页 |
| ·中文网页表示模型的选择 | 第25-28页 |
| 第四章 基于图模型的中文网页自动分类 | 第28-36页 |
| ·基于图模型的文档表示方法 | 第28-32页 |
| ·提出的背景 | 第28页 |
| ·一种新的图模型表示方法 | 第28-30页 |
| ·图模型的性质及相似性度量 | 第30-32页 |
| ·基于图模型的文档分类算法 | 第32-34页 |
| ·基于图模型的分类算法GraphKNN | 第33页 |
| ·GraphKNN 算法的特点 | 第33-34页 |
| ·图模型与中文网页自动分类实验 | 第34-36页 |
| ·实验内容设置 | 第34页 |
| ·实验结论 | 第34-36页 |
| 第五章 基于容噪支持向量机的中文网页自动分类 | 第36-48页 |
| ·支持向量机的原理 | 第36-40页 |
| ·线性可分 | 第36-38页 |
| ·线性不可分 | 第38页 |
| ·支持向量机 | 第38-39页 |
| ·常用的核函数 | 第39-40页 |
| ·支持向量机的训练算法 | 第40-42页 |
| ·训练算法简介 | 第40页 |
| ·序贯最小优化算法 | 第40-42页 |
| ·支持向量机的两个问题 | 第42-44页 |
| ·支持向量机与多类分类问题 | 第42-43页 |
| ·支持向量机的噪声数据问题 | 第43-44页 |
| ·基于容噪的支持向量机算法KNN-SVM | 第44-45页 |
| ·KNN-SVM 算法的提出 | 第44-45页 |
| ·KNN-SVM 算法性能分析 | 第45页 |
| ·中文网页自动分类实验 | 第45-48页 |
| ·实验内容 | 第45-46页 |
| ·实验结论与分析 | 第46-48页 |
| 第六章 结论 | 第48-49页 |
| ·论文总结 | 第48页 |
| ·未来的工作 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 个人简历 | 第53页 |
| 在读期间已发表和录用的论文 | 第53页 |
