| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 概述 | 第11-14页 |
| ·论文选题的意义 | 第11页 |
| ·研究现状 | 第11-12页 |
| ·本文的组织结构 | 第12-14页 |
| 第二章 文本分类理论研究 | 第14-19页 |
| ·文本表示 | 第14-15页 |
| ·概率模型 | 第14-15页 |
| ·向量空间模型 | 第15页 |
| ·特征选择 | 第15-16页 |
| ·法向量方法 | 第15-16页 |
| ·CHI方法 | 第16页 |
| ·文本分类算法 | 第16-18页 |
| ·最近邻法KNN(K-Nearest Neighbor) | 第17页 |
| ·朴素贝叶斯分类算法 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 支持向量机算法 | 第19-26页 |
| ·支持向量机 | 第19-23页 |
| ·问题描述 | 第19-20页 |
| ·SVM算法理论 | 第20-23页 |
| ·SVM训练算法的缺点 | 第23页 |
| ·分解算法(decomposition algorithm) | 第23-25页 |
| ·大规模分解法 | 第23-24页 |
| ·Chunking算法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第四章 改进的文本分类算法 | 第26-41页 |
| ·SMO训练优化算法 | 第26-31页 |
| ·问题定义 | 第26-27页 |
| ·基本思想 | 第27-28页 |
| ·Lagranges乘子求解 | 第28-29页 |
| ·阈值b的计算 | 第29页 |
| ·线性支持向量机优化 | 第29-30页 |
| ·数学推导 | 第30-31页 |
| ·Generalized SMO训练优化算法 | 第31-33页 |
| ·不同的惩罚系数 | 第33页 |
| ·基于特权信息学习 | 第33-37页 |
| ·介绍 | 第33-34页 |
| ·基于特权信息的SVM算法 | 第34页 |
| ·Oracle SVM | 第34-35页 |
| ·特权信息与SVM | 第35页 |
| ·两种不同模型的纠错函数 | 第35-36页 |
| ·SVM+算法 | 第36-37页 |
| ·基于GSMO算法和不同惩罚系数的SVM+改进算法 | 第37-40页 |
| ·定义 | 第38页 |
| ·算法的改进 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 系统设计与实验结果分析 | 第41-52页 |
| ·系统框架 | 第41-42页 |
| ·系统实现 | 第42-43页 |
| ·文本分类的性能评价指标 | 第43-44页 |
| ·实验与分析 | 第44-51页 |
| ·算法核心伪代码 | 第44-46页 |
| ·实验语料 | 第46-47页 |
| ·实验结果分析 | 第47-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 结束语 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间研究成果 | 第57-58页 |
| 致谢 | 第58页 |
