基于Web文本挖掘的SVM网页文本分类研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景 | 第8页 |
| ·Web挖掘的现状 | 第8-9页 |
| ·国外的研究现状 | 第8-9页 |
| ·国内的研究现状 | 第9页 |
| ·统计学习理论与支持向量机算法 | 第9-11页 |
| ·本论文研究的内容与意义 | 第11-12页 |
| 第二章 Web文本挖掘的研究 | 第12-21页 |
| ·Web挖掘的难点 | 第12-13页 |
| ·Web挖掘的分类 | 第13-14页 |
| ·Web文本挖掘 | 第14-21页 |
| ·Web文本挖掘的相关术语 | 第15-16页 |
| ·Web文本挖掘的具体过程 | 第16-21页 |
| 第三章 Web文本挖掘系统设计 | 第21-34页 |
| ·文档采集模块 | 第22-27页 |
| ·Web结构的组成部分 | 第22页 |
| ·统一资源定位器 | 第22-23页 |
| ·HTTP协议 | 第23页 |
| ·HTTP协议的运作方式 | 第23-25页 |
| ·模块设计 | 第25-27页 |
| ·特征提取模块 | 第27-31页 |
| ·特征提取 | 第27-29页 |
| ·综合网页信息提取 | 第29-31页 |
| ·挖掘模块 | 第31-34页 |
| 第四章 统计学习理论概述 | 第34-40页 |
| ·机器学习的基本问题 | 第34-36页 |
| ·机器学习问题的表示 | 第34-35页 |
| ·经验风险最小化 | 第35页 |
| ·复杂性与推广能力 | 第35-36页 |
| ·统计学习理论 | 第36-40页 |
| ·学习一致性的条件 | 第36-37页 |
| ·推广性的界与VC维 | 第37-38页 |
| ·结构风险最小化 | 第38-40页 |
| 第五章 支持向量机 | 第40-61页 |
| ·支持向量机的发展历史 | 第40-41页 |
| ·支持向量机的基本方法 | 第41-46页 |
| ·最优分类平面 | 第41-42页 |
| ·线性情况 | 第42-44页 |
| ·非线性情况 | 第44-46页 |
| ·支持向量机的研究 | 第46-49页 |
| ·SVM训练算法 | 第46-48页 |
| ·SVM分类算法 | 第48页 |
| ·多类SVM算法 | 第48-49页 |
| ·核函数及选择 | 第49页 |
| ·多分类支持向量机 | 第49-61页 |
| ·单分类器融合成多分类器 | 第50-54页 |
| ·层次分类 | 第54-61页 |
| 第六章 SVM在Web文本挖掘中的应用 | 第61-69页 |
| ·SVM用于Web挖掘的原因 | 第61-63页 |
| ·SVM的一些优点 | 第61-62页 |
| ·过学习问题 | 第62-63页 |
| ·SVM实现主动学习 | 第63-65页 |
| ·实验结果 | 第65-67页 |
| ·总结 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 后记 | 第74-75页 |
