一种基于支持向量机的直推式WEB挖掘
| 引言 | 第1-10页 |
| 第1章 绪论 | 第10-16页 |
| ·WEB挖掘的起源 | 第10页 |
| ·WEB挖掘的定义 | 第10-11页 |
| ·WEB挖掘的现状 | 第11-13页 |
| ·数据挖掘研究综述 | 第11-12页 |
| ·WEB挖掘的研究进展 | 第12-13页 |
| ·统计理论与支持向量机 | 第13-15页 |
| ·论文结构 | 第15-16页 |
| 第2章 WEB挖掘系统的简介 | 第16-23页 |
| ·WEB挖掘的三种分类 | 第16-17页 |
| ·WEB内容挖掘 | 第16-17页 |
| ·WEB结构挖掘 | 第17页 |
| ·WEB日志挖掘 | 第17页 |
| ·WEB的数据模型 | 第17-18页 |
| ·WEB文本挖掘系统的设计 | 第18-23页 |
| ·文档采集模块的设计 | 第19页 |
| ·特征提取模块的设计 | 第19-20页 |
| ·挖掘模块的设计 | 第20-21页 |
| ·质量评估的设计 | 第21-23页 |
| 第3章 统计学习理论与直推式学习理论 | 第23-34页 |
| ·经验风险最小化原理 | 第23页 |
| ·VC维 | 第23-25页 |
| ·学习过程的一致性 | 第25-28页 |
| ·学习过程一致性的定义 | 第25页 |
| ·学习理论的一个重要定理 | 第25-26页 |
| ·VC嫡 | 第26-28页 |
| ·结构风险最小化原理 | 第28-31页 |
| ·直推式学习理论 | 第31-34页 |
| 第4章 支持向量机(SMV)理论 | 第34-44页 |
| ·最优分类超平面的结构 | 第34-36页 |
| ·线性可分情况下的分类超平面 | 第36-37页 |
| ·不可分情况下的推广 | 第37页 |
| ·非线性SMV | 第37-39页 |
| ·SVM的例子 | 第39-41页 |
| ·多项式学习机器 | 第39页 |
| ·径向基函数学习机器 | 第39-40页 |
| ·两层神经网络 | 第40页 |
| ·SMV的其他例子 | 第40-41页 |
| ·SMV模型的选择 | 第41-42页 |
| ·各种变形的SMV算法 | 第42-43页 |
| ·SVM的多值分类 | 第43-44页 |
| 第5章 一种基于支持向量机的直推式WEB挖掘 | 第44-54页 |
| ·SVM适用于WEB挖掘的原因 | 第44-46页 |
| ·SVM的一些优点 | 第44-45页 |
| ·过学习问题 | 第45-46页 |
| ·一种新的递进直推式支持向量机学习算法 | 第46-51页 |
| ·实验结果和分析 | 第51-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间公开发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-60页 |
| 研究生履历 | 第60页 |
