| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景 | 第7页 |
| ·相关技术的研究现状 | 第7-9页 |
| ·Web 文本分类的研究现状 | 第7-8页 |
| ·SVM 增量学习算法的研究现状 | 第8-9页 |
| ·论文的研究内容及组织结构 | 第9-11页 |
| 第二章 Web 文本分类概要介绍 | 第11-19页 |
| ·基于 Web 的数据挖掘 | 第11-13页 |
| ·Web 数据挖掘的概述 | 第11页 |
| ·Web 数据挖掘的过程 | 第11-13页 |
| ·Web 文本挖掘 | 第13-14页 |
| ·Web 文本挖掘的概述 | 第13页 |
| ·Web 文本挖掘的关键技术 | 第13-14页 |
| ·Web 文本分类 | 第14-17页 |
| ·文本分类的定义 | 第15页 |
| ·常用的 Web 文本分类算法 | 第15-16页 |
| ·文本分类效果评价 | 第16-17页 |
| ·本章小节 | 第17-19页 |
| 第三章 统计学习与支持向量机 | 第19-35页 |
| ·机器学习 | 第19-24页 |
| ·机器学习问题的基本描述及实现形式 | 第19-22页 |
| ·机器学习的基本原理 | 第22-23页 |
| ·复杂性与推广能力 | 第23-24页 |
| ·统计学习的基本概念与理论 | 第24-27页 |
| ·统计学习的基本概念 | 第24-26页 |
| ·统计学习的基本理论 | 第26-27页 |
| ·支持向量机 | 第27-33页 |
| ·支持向量机的基本概念 | 第27-30页 |
| ·支持向量机的两种数学模型 | 第30-32页 |
| ·现有的支持向量机算法及其应用步骤 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 第四章 基于 SVM 的多分类增量学习算法及其改进 | 第35-47页 |
| ·常用的基于 SVM 的多类分类器的构造方法及其局限性 | 第35-39页 |
| ·传统的多值分类支持向量机 | 第35-36页 |
| ·层次型多值分类支持向量机 | 第36-38页 |
| ·各个算法的局限性分析 | 第38-39页 |
| ·改进的多分类支持向量机算法 | 第39-41页 |
| ·类间相对分离度 | 第39-40页 |
| ·基于相对分离度的多分类支持向量机算法步骤 | 第40-41页 |
| ·实验结果分析 | 第41页 |
| ·基于 SVM 的增量学习 | 第41-43页 |
| ·增量学习算法简介 | 第41-42页 |
| ·基于 SVM 的增量学习过程描述 | 第42-43页 |
| ·增量学习算法存在的问题 | 第43页 |
| ·改进的多分类增量学习算法 | 第43-45页 |
| ·KKT 条件的概述 | 第43页 |
| ·改进的基于相对分离度的增量学习算法步骤 | 第43-44页 |
| ·实验结果分析 | 第44-45页 |
| ·本章小结 | 第45-47页 |
| 第五章 面向社区服务的 Web 文本挖掘系统的设计与实现 | 第47-57页 |
| ·系统总体设计 | 第47-53页 |
| ·系统的总体架构 | 第47-48页 |
| ·系统的功能模块 | 第48-51页 |
| ·系统的数据结构设计 | 第51-53页 |
| ·系统的运行实现 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| ·研究工作总结 | 第57页 |
| ·趋势与展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-64页 |
