| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题的研究目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 SVM研究现状 | 第10-11页 |
| 1.2.2 多示例多标记学习研究现状 | 第11-12页 |
| 1.3 论文主要内容与结构 | 第12-14页 |
| 1.3.1 本文主要内容 | 第12页 |
| 1.3.2 论文结构 | 第12-14页 |
| 第二章 网页分类相关技术 | 第14-23页 |
| 2.1 网页分类流程概述 | 第14-17页 |
| 2.2 中文网页分类相关技术 | 第17-19页 |
| 2.2.1 网页特征提取 | 第17-18页 |
| 2.2.2 特征项的权重 | 第18-19页 |
| 2.3 网页分类常用算法 | 第19-20页 |
| 2.3.1 K最近邻法 | 第19页 |
| 2.3.2 决策树算法 | 第19-20页 |
| 2.3.3 贝叶斯方法 | 第20页 |
| 2.4 SVM基本原理 | 第20-22页 |
| 2.4.1 SVM简介 | 第20页 |
| 2.4.2 SVM原理 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于半监督支持向量机的E-MIMLSVM+的改进算法 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 半监督支持向量机简介 | 第23-25页 |
| 3.3 MIMLSVM和E-MIMLSVM+算法 | 第25-28页 |
| 3.3.1 MIMLSVM算法 | 第25-26页 |
| 3.3.2 E-MIMLSVM+和MIMLSVM+算法 | 第26-28页 |
| 3.4 基于S4VM改进的E-MIMLSVM+算法 | 第28-29页 |
| 3.5 实验结果分析 | 第29-32页 |
| 3.5.1 实验环境和参数设置 | 第29页 |
| 3.5.2 实验数据和评价标准 | 第29-31页 |
| 3.5.3 实验结果与分析 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 基于支持向量机的直推式学习算法 | 第33-39页 |
| 4.1 引言 | 第33页 |
| 4.2 直推式支持向量机 | 第33-35页 |
| 4.3 改进的直推式支持向量机 | 第35-36页 |
| 4.4 实验结果与分析 | 第36-38页 |
| 4.4.1 实验环境和参数设置 | 第36-37页 |
| 4.4.2 实验结果与分析 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 中文网页分类实验系统 | 第39-44页 |
| 5.1 系统开发环境 | 第39页 |
| 5.2 实验系统结构设计 | 第39-41页 |
| 5.2.1 网页收集模块 | 第39-40页 |
| 5.2.2 网页预处理模块 | 第40页 |
| 5.2.3 分类器模块 | 第40-41页 |
| 5.3 系统运行结果与分析 | 第41-43页 |
| 5.3.1 系统运行过程 | 第41-42页 |
| 5.3.2 系统运行结果分析 | 第42-43页 |
| 5.4 本章小结 | 第43-44页 |
| 第六章 总结和展望 | 第44-46页 |
| 6.1 工作总结 | 第44-45页 |
| 6.2 研究展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
| 攻读学位期间的研究成果 | 第51页 |
