| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-18页 |
| ·研究背景及意义 | 第13-14页 |
| ·国内外研究现状 | 第14-16页 |
| ·课题研究的主要内容和创新点 | 第16-17页 |
| ·论文的组织结构 | 第17-18页 |
| 第2章 文本分类的相关技术 | 第18-33页 |
| ·文本预处理相关技术 | 第18-22页 |
| ·文本的分词技术 | 第18-19页 |
| ·文本的特征选择 | 第19-21页 |
| ·文本的表示 | 第21-22页 |
| ·常用文本聚类算法介绍 | 第22-25页 |
| ·K-均值聚类方法 | 第23页 |
| ·CURE 算法 | 第23-24页 |
| ·DBSCAN 聚类算法 | 第24-25页 |
| ·EM 算法 | 第25页 |
| ·常用文本分类算法介绍 | 第25-31页 |
| ·朴素贝叶斯方法 | 第25-26页 |
| ·K-近邻算法 | 第26页 |
| ·支持向量机分类算法 | 第26-29页 |
| ·神经网络算法 | 第29-31页 |
| ·决策树算法 | 第31页 |
| ·文本分类的性能指标 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 SVDD 与改进的 K-近邻算法结合的分类策略 | 第33-41页 |
| ·SVDD 基本原理 | 第33-34页 |
| ·K-近邻文本分类算法分析 | 第34-36页 |
| ·K-近邻算法存在的不足 | 第34-35页 |
| ·已存在的解决方法 | 第35-36页 |
| ·SVDD 算法与改进的 K-近邻算法结合的分类策略 | 第36-38页 |
| ·解决边界问题的新方法分析 | 第36-38页 |
| ·SVDD 与改进的 K-近邻结合的算法描述 | 第38页 |
| ·实验结果及分析 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于 K-均值聚类算法改进的多类 SVM 方法 | 第41-55页 |
| ·常用的多类 SVM 方法 | 第41-45页 |
| ·一对多 SVM 分类器 | 第41-42页 |
| ·一对一 SVM 分类器 | 第42页 |
| ·有向无环图多类 SVM | 第42-43页 |
| ·二叉树多类 SVM | 第43-45页 |
| ·用于文本分类的一对多 SVM 算法分析 | 第45页 |
| ·基于 K-均值算法改进的一对多 SVM 方法 | 第45-48页 |
| ·改进方法的原理和目标 | 第45-47页 |
| ·Region_Recombine_class 算法流程 | 第47-48页 |
| ·实验及结果分析 | 第48-54页 |
| ·libsvm 介绍及使用 | 第48-51页 |
| ·实验结果分析 | 第51-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 总结和展望 | 第55-57页 |
| 总结 | 第55-56页 |
| 下一步的工作 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读学位期间发表的学术论文 | 第60-61页 |
| 致谢 | 第61页 |
