| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第一章 绪论 | 第11-18页 |
| ·课题的研究意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·课题背景知识 | 第14-16页 |
| ·本文的主要工作 | 第16页 |
| ·本文的组织结构 | 第16-18页 |
| 第二章 Web 文本挖掘概述 | 第18-30页 |
| ·引言 | 第18-19页 |
| ·Web 文本的预处理 | 第19-25页 |
| ·Web 文本的特征表示 | 第19-22页 |
| ·Web 文本特征的选择 | 第22-25页 |
| ·Web 文本分类 | 第25-28页 |
| ·Web 文本聚类 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第三章 统计学习理论与支持向量机 | 第30-44页 |
| ·统计学习理论 | 第30-33页 |
| ·机器学习问题的基本表示 | 第30-31页 |
| ·经验风险最小化 | 第31页 |
| ·VC 维 | 第31-32页 |
| ·推广性的界 | 第32页 |
| ·结构风险最小化原理 | 第32-33页 |
| ·支持向量机 | 第33-41页 |
| ·最优分类超平面 | 第34-35页 |
| ·广义最优分类超平面 | 第35-36页 |
| ·支持向量机(SVM)的核函数 | 第36-38页 |
| ·多类问题中的SVM | 第38-39页 |
| ·SVM 的训练算法 | 第39-41页 |
| ·SVM 方法在文本分类中的应用 | 第41-43页 |
| ·小结 | 第43-44页 |
| 第四章 一种改进的基于SVM 的WEB 文本分类方法 | 第44-54页 |
| ·SVM 的并行学习算法 | 第44-47页 |
| ·并行学习概念的提出 | 第44-45页 |
| ·w-model 算法 | 第45-46页 |
| ·Cascade SVMs 算法 | 第46-47页 |
| ·一种改进的并行SVM 算法 | 第47-53页 |
| ·并行筛选训练样本 | 第48-49页 |
| ·算法描述 | 第49-50页 |
| ·实验结果与分析 | 第50-53页 |
| ·小结 | 第53-54页 |
| 第五章 主动学习在SVM 文本分类中的应用 | 第54-64页 |
| ·主动学习方法简介 | 第54-55页 |
| ·主动学习的SVM 简介 | 第55-57页 |
| ·一种基于负样本筛选的主动SVM 分类器 | 第57-63页 |
| ·负样本数据的筛选 | 第58-61页 |
| ·SVM 实现主动学习具体的算法描述 | 第61页 |
| ·文本分类实验 | 第61-63页 |
| ·实验分析 | 第63页 |
| ·小结 | 第63-64页 |
| 第六章 总结和展望 | 第64-66页 |
| ·工作总结 | 第64-65页 |
| ·工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 成果目录 | 第70-71页 |
| 致谢 | 第71页 |