基于机器学习的文本处理技术研究与应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究目的及意义 | 第9页 |
| 1.2 国内外相关研究概述 | 第9-10页 |
| 1.3 本文的主要工作 | 第10-11页 |
| 1.4 本文的结构 | 第11-13页 |
| 第二章 文本分类的技术基础 | 第13-21页 |
| 2.1 文本分类的定义 | 第13页 |
| 2.2 文本表示 | 第13-15页 |
| 2.3 文本分词 | 第15-17页 |
| 2.3.1 汉语分词基本问题 | 第15页 |
| 2.3.2 N-最短路径分词法 | 第15-17页 |
| 2.3.3 基于HMM的分词方法 | 第17页 |
| 2.4 文本特征提取 | 第17-19页 |
| 2.4.1 基于文档频率的特征提取法 | 第18页 |
| 2.4.2 信息增益法 | 第18页 |
| 2.4.3 CHI统计量法 | 第18-19页 |
| 2.4.4 互信息法 | 第19页 |
| 2.5 本章小结 | 第19-21页 |
| 第三章 支持向量机文本分类方法研究 | 第21-33页 |
| 3.1 统计学习理论基础 | 第21-23页 |
| 3.1.1 学习问题的概述 | 第21-22页 |
| 3.1.2 误差估计与评价指标 | 第22-23页 |
| 3.2 典型文本分类算法 | 第23-26页 |
| 3.2.1 K近邻 | 第23-24页 |
| 3.2.2 朴素贝叶斯 | 第24-25页 |
| 3.2.3 神经网络 | 第25-26页 |
| 3.3 支持向量机基本原理 | 第26-31页 |
| 3.3.1 线性可分支持向量机 | 第26-29页 |
| 3.3.2 线性支持向量机 | 第29页 |
| 3.3.3 非线性支持向量机 | 第29-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第四章 基于v-SVM的算法改进 | 第33-43页 |
| 4.1 支持向量机的算法演变 | 第33-35页 |
| 4.1.1 C-SVM算法 | 第33-34页 |
| 4.1.2 RSVM算法 | 第34-35页 |
| 4.2 v-SVM的算法改进 | 第35-38页 |
| 4.3 v-SVM改进算法仿真 | 第38-42页 |
| 4.3.1 文本组织与预处理 | 第38-40页 |
| 4.3.2 v-SVM改进算法仿真实验 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 基于支持向量机的文本多分类 | 第43-55页 |
| 5.1 常用多分类支持向量机 | 第43-45页 |
| 5.1.1 一对多方法 | 第43-44页 |
| 5.1.2 一对一方法 | 第44页 |
| 5.1.3 有向无环图支持向量机0 | 第44-45页 |
| 5.2 基于决策树的支持向量机 | 第45-48页 |
| 5.2.1 类距离法 | 第46页 |
| 5.2.2 空间分布法 | 第46-47页 |
| 5.2.3 逐层聚类法 | 第47-48页 |
| 5.3 基于决策树的支持向量机改进算法 | 第48-49页 |
| 5.4 多分类支持向量机仿真 | 第49-54页 |
| 5.4.1 系统核心libsvm的实现简介 | 第49-51页 |
| 5.4.2 实验结果及结论 | 第51-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 结束语及展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 作者在读期间的研究成果 | 第62页 |
