基于SVM的抄袭检测研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景、目的和意义 | 第10-11页 |
| 1.2 抄袭检测的国内外研究现状 | 第11-13页 |
| 1.3 支持向量机的研究现状 | 第13-15页 |
| 1.4 本文的创新工作 | 第15-16页 |
| 1.5 本文组织结构 | 第16-18页 |
| 第2章 相关技术研究 | 第18-26页 |
| 2.1 相关术语 | 第18页 |
| 2.2 外部抄袭检测 | 第18-20页 |
| 2.2.1 备选文档检索 | 第19-20页 |
| 2.2.2 详细比对 | 第20页 |
| 2.3 文档相似度计算方法 | 第20-22页 |
| 2.4 文本分类算法 | 第22-25页 |
| 2.4.1 朴素贝叶斯 | 第22-23页 |
| 2.4.2 K-近邻算法 | 第23页 |
| 2.4.3 决策树算法 | 第23-24页 |
| 2.4.4 Rocchio算法 | 第24-25页 |
| 2.4.5 基于投票的方法 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 支持向量机研究及工具选择 | 第26-36页 |
| 3.1 统计学习理论 | 第26-28页 |
| 3.1.1 VC维 | 第26页 |
| 3.1.2 推广误差边界 | 第26-27页 |
| 3.1.3 经验风险最小化和结构风险最小化 | 第27-28页 |
| 3.2 支持向量机的基本原理 | 第28-31页 |
| 3.2.1 算法策略 | 第28页 |
| 3.2.2 超平面 | 第28-29页 |
| 3.2.3 函数间隔和几何间隔 | 第29-30页 |
| 3.2.4 二次规划最优化 | 第30-31页 |
| 3.3 核函数 | 第31-32页 |
| 3.4 交叉验证 | 第32页 |
| 3.5 支持向量机算法的特点 | 第32-33页 |
| 3.6 SVM工具介绍及选择 | 第33页 |
| 3.7 本章小结 | 第33-36页 |
| 第4章 基于SVM的抄袭检测研究 | 第36-56页 |
| 4.1 系统框架结构 | 第36-37页 |
| 4.2 备选文档检索 | 第37-46页 |
| 4.2.1 检索框架 | 第37-39页 |
| 4.2.2 关键词提取方法 | 第39-40页 |
| 4.2.3 检索模型 | 第40-41页 |
| 4.2.4 实验语料 | 第41-44页 |
| 4.2.5 评测方法 | 第44-45页 |
| 4.2.6 实验设计 | 第45-46页 |
| 4.2.7 实验结果与分析 | 第46页 |
| 4.3 特征提取方法研究 | 第46-50页 |
| 4.3.1 文本特征提取方法 | 第46-49页 |
| 4.3.2 文本特征提取 | 第49页 |
| 4.3.3 不同特征对实验的影响 | 第49-50页 |
| 4.4 基于SVM的详细比对 | 第50-54页 |
| 4.4.1 实验数据的获取 | 第50-51页 |
| 4.4.2 详细比对 | 第51-52页 |
| 4.4.3 实验结果与分析 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |
