基于潜在语义索引和支持向量机的文本分类过滤技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 创新点摘要 | 第7-10页 |
| 前言 | 第10-12页 |
| 第一章 信息过滤的概述 | 第12-15页 |
| ·信息过滤的研究意义 | 第12页 |
| ·信息过滤的研究现状 | 第12-13页 |
| ·信息过滤的分类 | 第13-15页 |
| 第二章 文本信息过滤的关键技术 | 第15-26页 |
| ·信息过滤的基本模型 | 第15-16页 |
| ·文本信息过滤的相关技术 | 第16-22页 |
| ·文本表示技术 | 第16-18页 |
| ·分词技术 | 第18-19页 |
| ·特征提取 | 第19-21页 |
| ·相关反馈技术 | 第21-22页 |
| ·文本分类方法与信息过滤 | 第22-24页 |
| ·分类技术与信息过滤 | 第22-23页 |
| ·文本分类中常用的算法 | 第23-24页 |
| ·文本过滤系统的性能评价指标 | 第24-26页 |
| ·查全率和查准率 | 第24-25页 |
| ·F-value | 第25-26页 |
| 第三章 潜在语义索引的特征降维 | 第26-35页 |
| ·潜在语义索引理论 | 第26-28页 |
| ·文本分类中的降维 | 第28-29页 |
| ·降维对SVM 分类精度的影响 | 第28页 |
| ·特征降维方法的研究 | 第28-29页 |
| ·聚类和潜在语义索引结合的特征降维方法 | 第29-33页 |
| ·聚类算法的基本思想 | 第29-30页 |
| ·K-means 聚类算法的改进 | 第30-32页 |
| ·混合特征降维方法 | 第32-33页 |
| ·实验及结果分析 | 第33-35页 |
| 第四章 改进的支持向量机分类方法 | 第35-45页 |
| ·SVM 基本理论 | 第35-38页 |
| ·SVM 多分类算法的研究 | 第38-39页 |
| ·遗传算法 | 第39-41页 |
| ·遗传算法与二叉树支持向量机相结合 | 第41-43页 |
| ·遗传算法与BT-SVM 相结合的优越性 | 第41页 |
| ·GA 与BT-SVM 相结合的分类算法 | 第41-43页 |
| ·实验及结果分析 | 第43-45页 |
| 第五章 文本分类技术在信息过滤中的应用 | 第45-52页 |
| ·系统总体设计 | 第45-46页 |
| ·设计思路 | 第45页 |
| ·系统模块设计 | 第45-46页 |
| ·系统主要模块的实现 | 第46-50页 |
| ·文档预处理模块 | 第46-48页 |
| ·特征降维模块 | 第48-49页 |
| ·训练模块 | 第49-50页 |
| ·过滤模块 | 第50页 |
| ·结果分析及评估 | 第50-52页 |
| 总结 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 发表文章目录 | 第57-58页 |
| 致谢 | 第58-59页 |
| 详细摘要 | 第59-66页 |
