| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-23页 |
| ·选题的研究背景和意义 | 第7页 |
| ·分类数据挖掘的相关基本概念 | 第7-8页 |
| ·数据挖掘定义 | 第7-8页 |
| ·分类数据挖掘的主要步骤 | 第8页 |
| ·文本分类数据挖掘的研究进展及评述 | 第8-10页 |
| ·统计学习理论 | 第10-14页 |
| ·机器学习问题的描述 | 第10-11页 |
| ·模型的复杂度与 VC 维 | 第11-13页 |
| ·结构风险最小化 | 第13-14页 |
| ·支持向量机 | 第14-17页 |
| ·线性支持向量机 | 第14-15页 |
| ·非线性支持向量机 | 第15-17页 |
| ·SVM 的研究现状 | 第17-21页 |
| ·SVM 训练速度方面的研究现状 | 第17-18页 |
| ·SVM 多类分类方法方面的研究现状 | 第18-19页 |
| ·SVM 在文本分类应用的研究现状 | 第19-21页 |
| ·本文的主要内容及创新点 | 第21-23页 |
| 第二章 支持向量机的改进算法 | 第23-34页 |
| ·现有的支持向量机训练算法 | 第23-25页 |
| ·分解算法类 | 第23-24页 |
| ·序贯分类法 | 第24页 |
| ·在线训练算法 | 第24-25页 |
| ·其它特色算法 | 第25页 |
| ·预抽取支持向量的两凸包相对边界向量方法(FFMVM) | 第25-27页 |
| ·模糊循环迭代算法 | 第27-28页 |
| ·模糊循环迭代算法的基本思想 | 第27页 |
| ·模糊循环迭代算法的描述 | 第27-28页 |
| ·现有的多类支持向量机算法 | 第28-30页 |
| ·新的支持向量机多类分类方法的思路 | 第30-33页 |
| ·训练样本的选择方案 | 第30-31页 |
| ·支持向量机的决策方案 | 第31-32页 |
| ·1-a-na 方法的步骤 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 基于改进支持向量机两类文本分类方法的研究 | 第34-43页 |
| ·引言 | 第34-35页 |
| ·文本的特征表示及其降维 | 第35-37页 |
| ·用于支持向量机文本的分类 | 第37-40页 |
| ·支持向量机（support vector machine,SVM） | 第37-39页 |
| ·两类文本分类方法（PFI－SVM） | 第39-40页 |
| ·实验结果 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于改进支持向量机多类文本分类方法的研究 | 第43-49页 |
| ·引言 | 第43页 |
| ·目前支持向量机多类分类算法的局限性 | 第43-45页 |
| ·基于二叉树的多类支持向量机分类方法 | 第45-47页 |
| ·样本选择方案 | 第45-46页 |
| ·算法步骤 | 第46-47页 |
| ·实验结果 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 总结及展望 | 第49-51页 |
| ·全文总结 | 第49页 |
| ·存在的问题和研究前景展望 | 第49-51页 |
| 参考文献 | 第51-58页 |
| 发表论文和参加科研情况说明 | 第58-59页 |
| 发表的论文: | 第58页 |
| 参加的科研项目: | 第58-59页 |
| 致谢 | 第59页 |