基于支持向量机的Web文本挖掘研究
| 第1章 绪论 | 第1-15页 |
| ·Web挖掘的起源 | 第9页 |
| ·Web挖掘的定义 | 第9-10页 |
| ·Web挖掘研究现状 | 第10-13页 |
| ·数据挖掘研究综述 | 第10-11页 |
| ·Web挖掘的研究进展 | 第11-13页 |
| ·统计学习理论与支持向量机算法 | 第13-14页 |
| ·论文组织 | 第14-15页 |
| 第2章 Web文本挖掘系统的设计 | 第15-28页 |
| ·Web挖掘的分类 | 第15-16页 |
| ·Web内容挖掘 | 第16页 |
| ·Web结构挖掘 | 第16页 |
| ·Web日志挖掘 | 第16页 |
| ·Web的数据模型 | 第16-17页 |
| ·Web文本挖掘系统的设计 | 第17-22页 |
| ·文档采集模块 | 第18页 |
| ·特征提取模块 | 第18-19页 |
| ·挖掘模块 | 第19-20页 |
| ·质量评估 | 第20-22页 |
| ·Web文档采集器的设计 | 第22-27页 |
| ·Web结构的组成部分 | 第22-23页 |
| ·统一资源定位器 | 第23页 |
| ·HTTP协议 | 第23-24页 |
| ·HTTP协议的运作方式 | 第24-25页 |
| ·总体设计思想 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 统计学习理论 | 第28-37页 |
| ·经验风险最小化原理 | 第28页 |
| ·VC维 | 第28-30页 |
| ·学习过程的一致性 | 第30-32页 |
| ·学习过程一致性的经典定义 | 第30页 |
| ·学习理论的重要定理 | 第30-31页 |
| ·VC熵 | 第31-32页 |
| ·结构风险最小化原理 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 支持向量机 | 第37-48页 |
| ·最优分类超平面的结构 | 第37-39页 |
| ·线性可分情况下的分类超平面 | 第39-40页 |
| ·不可分情况下的推广 | 第40页 |
| ·非线性支持向量机 | 第40-42页 |
| ·SVM的例子 | 第42-45页 |
| ·多项式学习机器 | 第42-43页 |
| ·径向基函数学习机器 | 第43页 |
| ·两层神经网络 | 第43-44页 |
| ·其他 | 第44-45页 |
| ·模型选择 | 第45-46页 |
| ·各种变形的支持向量机算法 | 第46-47页 |
| ·SVM多值分类 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第5章 SVM在Web文本挖掘中的应用 | 第48-56页 |
| ·SVM适用于Web挖掘的原因 | 第48-50页 |
| ·SVM的一些优点 | 第48-49页 |
| ·过学习问题 | 第49-50页 |
| ·应用中的新问题 | 第50-51页 |
| ·SVM实现主动学习 | 第51-53页 |
| ·实验结果与分析 | 第53-54页 |
| ·数值实验 | 第53页 |
| ·文本分类 | 第53-54页 |
| ·分析 | 第54页 |
| ·本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间所发表的论文和取得的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
