基于支持向量机的Web文本挖掘研究
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第一章 绪论 | 第12-17页 |
| ·选题背景及意义 | 第12-13页 |
| ·Web挖掘研究现状 | 第13-14页 |
| ·国外的研究现状 | 第13-14页 |
| ·国内的研究现状 | 第14页 |
| ·统计学习理论与支持向量机 | 第14-15页 |
| ·本文的研究思路及组织结构安排 | 第15-17页 |
| 第二章 Web文本挖掘研究概述 | 第17-26页 |
| ·Web挖掘概述 | 第17-20页 |
| ·数据挖掘简述 | 第17-18页 |
| ·什么是Web挖掘 | 第18-20页 |
| ·Web挖掘的分类 | 第20-24页 |
| ·Web内容挖掘 | 第20-21页 |
| ·Web结构挖掘 | 第21-22页 |
| ·Web使用挖掘 | 第22-24页 |
| ·本章小结 | 第24-26页 |
| 第三章 基于语义引导的特征选择方法 | 第26-36页 |
| ·文本分类 | 第26页 |
| ·文本信息的挖掘方法 | 第26-28页 |
| ·文本分类的过程 | 第28-30页 |
| ·分词 | 第28页 |
| ·文本表示 | 第28-29页 |
| ·特征提取 | 第29-30页 |
| ·质量评估 | 第30-31页 |
| ·基于语义引导的特征选择的文本分类 | 第31-35页 |
| ·基于语义引导的特征选择方法 | 第31-33页 |
| ·语义知识库简述 | 第33-34页 |
| ·特征选择的处理步骤 | 第34-35页 |
| ·实验 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第四章 支持向量机技术 | 第36-48页 |
| ·机器学习问题 | 第36-39页 |
| ·函数估计模型 | 第36-37页 |
| ·风险最小化问题 | 第37页 |
| ·三种主要的学习问题 | 第37-38页 |
| ·学习问题的一般表示 | 第38页 |
| ·经验风险最小化归纳原则 | 第38-39页 |
| ·VC维和结构风险最小化 | 第39-41页 |
| ·VC维 | 第39页 |
| ·结构风险最小原则 | 第39-41页 |
| ·最优分类面 | 第41-42页 |
| ·线性可分情况 | 第42-43页 |
| ·线性不可分情况 | 第43-44页 |
| ·核函数的问题 | 第44-45页 |
| ·核函数的构造原则 | 第44页 |
| ·常用核函数及其选取 | 第44-45页 |
| ·多类分类问题 | 第45-47页 |
| ·支持向量机的应用 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于 SVM的文本分类 | 第48-52页 |
| ·多项式核的参数问题 | 第48-51页 |
| ·参数选择实验 | 第48页 |
| ·性能评估 | 第48-50页 |
| ·实验结果与分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表论文 | 第57页 |
