| 1.绪论 | 第1-15页 |
| ·问题的提出 | 第9-12页 |
| ·虚拟企业 | 第9页 |
| ·虚拟企业的定义 | 第9-10页 |
| ·核心能力 | 第10页 |
| ·核心能力评价指标体系 | 第10-12页 |
| ·小结 | 第12页 |
| ·核心能力评价系统的总体结构 | 第12-13页 |
| ·核心能力系统的任务和目标 | 第12页 |
| ·核心能力评价系统总体结构图 | 第12-13页 |
| ·本文研究的主要内容 | 第13-14页 |
| ·本论文的组织结构 | 第14-15页 |
| 2.WEB文本挖掘综述 | 第15-22页 |
| ·WEB文本挖掘研究背景 | 第15-17页 |
| ·Web挖掘 | 第15-16页 |
| ·Web挖掘分类 | 第16页 |
| ·Web文本挖掘 | 第16-17页 |
| ·国内外研究现状 | 第17-22页 |
| ·国内外外研究综述 | 第17-19页 |
| ·国内外研究成果 | 第19-22页 |
| 3.文本挖掘理论知识研究 | 第22-36页 |
| ·基本概念 | 第22-23页 |
| ·文本分类的一般过程 | 第23-25页 |
| ·文本信息的预处理 | 第23-24页 |
| ·文档的特征表示与特征提取 | 第24-25页 |
| ·特征匹配与分类 | 第25页 |
| ·分类中的重要技术环节 | 第25-26页 |
| ·特征加权算法 | 第26-27页 |
| ·缩减维数算法 | 第27-29页 |
| ·文档频率Document Frequency | 第28页 |
| ·信息增益Information Gain | 第28页 |
| ·互信息Mutual Information | 第28页 |
| ·x~2统计量CHI | 第28-29页 |
| ·典型分类算法 | 第29-36页 |
| ·最近邻法K-Nearest Neighbor | 第29-30页 |
| ·纯粹贝叶斯法Na(?)ve Bayes | 第30页 |
| ·决策树Decision Tree | 第30-31页 |
| ·最大熵模型Maximum Entropy Model | 第31-32页 |
| ·神经元网络法Neutral Network | 第32-33页 |
| ·支持向量机法Support Vector Machines | 第33-34页 |
| ·向量空间模型Vector Space Model | 第34-35页 |
| ·小结—Bag of Word的可行性 | 第35-36页 |
| 4.分类模块的设计方案 | 第36-47页 |
| ·分类模块的任务 | 第36页 |
| ·分类模块流程图 | 第36-37页 |
| ·词典的构造 | 第37-38页 |
| ·分词词典 | 第37页 |
| ·停用词词典 | 第37-38页 |
| ·专用词典 | 第38页 |
| ·分词 | 第38-40页 |
| ·特征权重算法的改进 | 第40-43页 |
| ·概念的文本频度 | 第41页 |
| ·概念的类别频度 | 第41-42页 |
| ·特征项的类间离散度 | 第42页 |
| ·特征项的类内离散度 | 第42页 |
| ·DF—CF—DI算法 | 第42-43页 |
| ·分类模块的构造模式 | 第43-45页 |
| ·单分类器模式 | 第43-44页 |
| ·多分类器模式 | 第44-45页 |
| ·分类模块的构造模式 | 第45页 |
| ·分类算法 | 第45-47页 |
| ·分类步骤 | 第45-46页 |
| ·阈值的确定 | 第46-47页 |
| 5.实验证明 | 第47-57页 |
| ·实验选取的数据集 | 第47页 |
| ·评估方法 | 第47-50页 |
| ·评价指标 | 第47-49页 |
| ·本实验评估办法 | 第49-50页 |
| ·实验设计与结果分析 | 第50-57页 |
| ·实验设计 | 第50-54页 |
| ·结果分析 | 第54-57页 |
| 6.总结与展望 | 第57-58页 |
| ·总结 | 第57页 |
| ·展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |
