| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 第一章 绪论 | 第13-18页 |
| ·Web文本分类的研究背景和现状 | 第13-14页 |
| ·Web文本分类的研究背景 | 第13页 |
| ·Web文本分类的研究现状 | 第13-14页 |
| ·课题的研究意义 | 第14-15页 |
| ·课题的主要研究工作 | 第15-16页 |
| ·论文的组织 | 第16-18页 |
| 第二章 Web文本分类综述 | 第18-29页 |
| ·Web文本分类 | 第18-19页 |
| ·Web文本分类的定义 | 第18页 |
| ·Web文本分类的过程 | 第18-19页 |
| ·Web文本分类中的关键技术 | 第19-25页 |
| ·Web文本分类的预处理 | 第19-20页 |
| ·Web文本的表示 | 第20-21页 |
| ·Web文本的降维处理 | 第21-25页 |
| ·Web文本分类的常用分类算法 | 第25-27页 |
| ·Rocchio方法 | 第25-26页 |
| ·KNN(K近邻)算法 | 第26页 |
| ·朴素贝叶斯算法 | 第26-27页 |
| ·支持向量机方法 | 第27页 |
| ·Web文本分类质量评价 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 支持向量机 | 第29-43页 |
| ·机器学习的基本问题 | 第29-31页 |
| ·机器学习问题的表示 | 第29-30页 |
| ·经验风险最小化原则 | 第30-31页 |
| ·复杂性与推广能力 | 第31页 |
| ·统计学习理论 | 第31-35页 |
| ·VC维 | 第32页 |
| ·推广性的界 | 第32-33页 |
| ·结构风险最小化 | 第33-34页 |
| ·支持向量机法 | 第34-35页 |
| ·支持向量机模型 | 第35-39页 |
| ·线性可分支持向量机 | 第35-36页 |
| ·线性不可分支持向量机 | 第36-37页 |
| ·非线性支持向量机 | 第37-39页 |
| ·支持向量机训练算法 | 第39-40页 |
| ·支持向量机多类分类算法 | 第40-42页 |
| ·一对多法(1-a-r) | 第41页 |
| ·一对一法(1-a-1) | 第41-42页 |
| ·决策导向非循环图法(DDAG) | 第42页 |
| ·本章小结 | 第42-43页 |
| 第四章 粗糙集 | 第43-50页 |
| ·粗糙集的基本概念 | 第43-45页 |
| ·信息系统 | 第43-44页 |
| ·决策表信息系统 | 第44页 |
| ·不可分辩关系与上、下近似集 | 第44-45页 |
| ·知识约简 | 第45-48页 |
| ·约简与核 | 第46页 |
| ·相对约简与相对核 | 第46-47页 |
| ·区分矩阵与区分函数 | 第47-48页 |
| ·常用的知识约简算法 | 第48-49页 |
| ·基于属性重要性的约简算法 | 第48页 |
| ·基于区分矩阵和逻辑运算的约简算法 | 第48-49页 |
| ·基于属性频率函数启发的约简算法 | 第49页 |
| ·本章小结 | 第49-50页 |
| 第五章 基于粗糙集与支持向量机的Web文本分类模型 | 第50-64页 |
| ·基于粗糙集和支持向量机的Web文本分类模型 | 第50-51页 |
| ·关键步骤的实现 | 第51-62页 |
| ·文本预处理 | 第51-53页 |
| ·特征项的选择 | 第53页 |
| ·权值离散化 | 第53-54页 |
| ·创建决策表 | 第54-55页 |
| ·决策表属性约简 | 第55-58页 |
| ·支持向量机核函数的选取 | 第58-60页 |
| ·支持向量机多类分类算法 | 第60-61页 |
| ·支持向量机的最优参数确定 | 第61-62页 |
| ·实验结果及分析 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·全文总结 | 第64-65页 |
| ·存在的问题和进一步的研究工作 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 致谢 | 第68页 |