基于SVM的网页分类器的研究
| 第一章 绪论 | 第7-11页 |
| 1.1 文本分类概述 | 第7-8页 |
| 1.2 文本分类研究的技术现状 | 第8-9页 |
| 1.3 本文所做的工作 | 第9-11页 |
| 第二章 常用文本分类算法 | 第11-18页 |
| 2.1 文本分类模型 | 第11-14页 |
| 2.1.1 问题描述 | 第11页 |
| 2.1.2 文档分类的系统框架 | 第11-12页 |
| 2.1.3 文档分类两阶段流程 | 第12-13页 |
| 2.1.4 文档分类评估方法 | 第13-14页 |
| 2.2 几种常用分类算法 | 第14-18页 |
| 2.2.1 简单向量距离分类法 | 第14-15页 |
| 2.2.2 贝叶斯分类方法 | 第15-16页 |
| 2.2.3 KNN(K最近邻)算法 | 第16-17页 |
| 2.2.4 支持向量机 | 第17页 |
| 2.2.5 其它分类器 | 第17-18页 |
| 第三章 网页信息的自动提取 | 第18-26页 |
| 3.1 网页信息的分析 | 第18-20页 |
| 3.1.1 结构信息 | 第18-19页 |
| 3.1.2 与分类密切相关的标记 | 第19-20页 |
| 3.2 特征提取 | 第20-23页 |
| 3.2.1 向量空间模型 | 第20页 |
| 3.2.2 特征提取 | 第20-23页 |
| 3.3 综合网页信息提取 | 第23-26页 |
| 第四章 SVM理论研究 | 第26-39页 |
| 4.1 统计学习理论 | 第26-32页 |
| 4.1.1 背景及发展 | 第26-27页 |
| 4.1.2 机器学习的基本问题 | 第27-28页 |
| 4.1.3 机器学习一般方法的不足 | 第28-29页 |
| 4.1.4 统计学习理论的核心内容 | 第29-32页 |
| 4.2 支持向量机 | 第32-36页 |
| 4.2.1 线性可分 | 第32-34页 |
| 4.2.2 线性不可分 | 第34-35页 |
| 4.2.3 核函数 | 第35-36页 |
| 4.3 训练算法比较与评估 | 第36-39页 |
| 4.3.1 各种训练算法比较 | 第36-38页 |
| 4.3.2 算法评估 | 第38-39页 |
| 第五章 SVM分类器的扩展 | 第39-53页 |
| 5.1 单分类器融合成多分类器 | 第39-43页 |
| 5.1.1 各种融合方法介绍 | 第39-40页 |
| 5.1.2 SVM分类器的融合 | 第40-43页 |
| 5.1.3 文档的多归属 | 第43页 |
| 5.2 层次分类 | 第43-49页 |
| 5.2.1 一般层次分类法 | 第44-47页 |
| 5.2.2 SVM层次分类法 | 第47-48页 |
| 5.2.3 小结 | 第48-49页 |
| 5.3 链接信息的利用 | 第49-53页 |
| 5.3.1 链接的种类 | 第49-50页 |
| 5.3.2 链接的噪音 | 第50-51页 |
| 5.3.3 链接的利用 | 第51-53页 |
| 第六章 实验结果 | 第53-59页 |
| 6.1 数据集介绍 | 第53-54页 |
| 6.2 实验结果 | 第54-59页 |
| 第七章 结束语 | 第59-61页 |
| 7.1 结论 | 第59-60页 |
| 7.2 今后工作展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 中文摘要 | 第66-68页 |
| Abstract | 第68页 |
