| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 前言 | 第11-20页 |
| ·课题的背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-16页 |
| ·文本分类研究现状 | 第12-14页 |
| ·决策树研究现状 | 第14页 |
| ·支持向量机研究现状 | 第14-15页 |
| ·决策树与SVM融合学习研究现状 | 第15-16页 |
| ·文本分类概述 | 第16-19页 |
| ·文本分类定义 | 第16页 |
| ·文本分类方法 | 第16-17页 |
| ·文本分类流程 | 第17-18页 |
| ·文本分类性能评估 | 第18-19页 |
| ·本文的研究内容和组织结构 | 第19-20页 |
| 第二章 中文文本分类的相关技术 | 第20-37页 |
| ·中文分词现状 | 第20-22页 |
| ·典型分词系统 | 第20-21页 |
| ·中文分词研究面临的困难 | 第21-22页 |
| ·文本分词算法 | 第22-23页 |
| ·分词方法的分析与比较 | 第22-23页 |
| ·文本表示模型 | 第23-24页 |
| ·布尔模型 | 第23-24页 |
| ·概率模型 | 第24页 |
| ·向量空间模型 | 第24页 |
| ·文本特征选择 | 第24-27页 |
| ·文本特征项 | 第24-25页 |
| ·特征选择 | 第25-27页 |
| ·特征降维 | 第27-33页 |
| ·特征频率 | 第27页 |
| ·文档频率 | 第27-28页 |
| ·互信息 | 第28页 |
| ·信息增益 | 第28-29页 |
| ·期望交叉熵 | 第29页 |
| ·CHI | 第29页 |
| ·基于支持向量的属性重要性度量JP | 第29-33页 |
| ·属性重要性与分类面形状特征的关系 | 第29-30页 |
| ·属性重要性度量方法 | 第30-32页 |
| ·属性重要性度量计算实例 | 第32-33页 |
| ·实验对比分析 | 第33-37页 |
| ·特征降维方法对比实验 | 第33-35页 |
| ·特征降维分析与比较 | 第35-37页 |
| 第三章 决策树与SVM融合学习文本分类算法研究 | 第37-54页 |
| ·文本分类算法 | 第37-44页 |
| ·K-近邻算法(KNN) | 第37页 |
| ·朴素贝叶斯分类(NB) | 第37-38页 |
| ·决策树算法 | 第38-40页 |
| ·神经网络算法 | 第40页 |
| ·支持向量机算法（SVM） | 第40-43页 |
| ·文本分类算法的分析与比较 | 第43-44页 |
| ·基于支持向量的属性区间分割优化 | 第44-50页 |
| ·属性区间分割优化 | 第44页 |
| ·初始区间形成 | 第44-45页 |
| ·区间合并 | 第45-47页 |
| ·二维化分析方法 | 第45页 |
| ·不可判别区域 | 第45-46页 |
| ·区间冲突性 | 第46页 |
| ·区间合并准则 | 第46-47页 |
| ·区间优化 | 第47-48页 |
| ·计算实例 | 第48-49页 |
| ·结论 | 第49-50页 |
| ·实验与分析 | 第50-53页 |
| ·实验系统介绍 | 第50页 |
| ·核函数及参数对比实验 | 第50-51页 |
| ·分类算法对比实验 | 第51-53页 |
| ·本章总结 | 第53-54页 |
| 第四章 基于决策树与SVM融合学习方法的科技文献分类研究 | 第54-62页 |
| ·科技文献分类 | 第54-55页 |
| ·行文规范 | 第54页 |
| ·科技文献研究 | 第54-55页 |
| ·科技文献分类系统设计 | 第55-57页 |
| ·实验对比分析 | 第57-60页 |
| ·实验测试环境 | 第57-58页 |
| ·实验方法设计 | 第58页 |
| ·实验结果 | 第58-60页 |
| ·本章总结 | 第60-62页 |
| 第五章 结束语 | 第62-64页 |
| ·论文主要工作 | 第62-63页 |
| ·未来工作展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 个人简历 | 第71页 |