基于特征提取改进的SSVM文本分类设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 背景介绍 | 第10页 |
| 1.2 文本分类 | 第10-12页 |
| 1.2.1 文本分类国外研究现状 | 第10-11页 |
| 1.2.2 文本分类国内研究现状 | 第11-12页 |
| 1.3 光滑支持向量 | 第12-13页 |
| 1.3.1 光滑支持向量机国外研究现状 | 第12页 |
| 1.3.2 光滑支持向量机国内研究现状 | 第12-13页 |
| 1.4 本文研究工作 | 第13-14页 |
| 1.5 本文组织结构 | 第14-15页 |
| 第二章 文本表示和特征提取 | 第15-20页 |
| 2.1 文本数据的主要特点 | 第15页 |
| 2.2 文本表示方法 | 第15-16页 |
| 2.2.1 布尔模型 | 第15-16页 |
| 2.2.2 概率模型 | 第16页 |
| 2.2.3 空间向量模型 | 第16页 |
| 2.3 特征提取 | 第16-19页 |
| 2.3.1 特征提取和特征抽取 | 第16-17页 |
| 2.3.2 特征降维和特征加权 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 分类方法 | 第20-28页 |
| 3.1 常用机器学习算法 | 第20-21页 |
| 3.1.1 K邻近算法 | 第20页 |
| 3.1.2 贝叶斯算法 | 第20-21页 |
| 3.2 支持向量机 | 第21-24页 |
| 3.2.1 支持向量机的优点 | 第21页 |
| 3.2.2 线性可分支持向量机 | 第21-22页 |
| 3.2.3 线性不可分SVM | 第22-23页 |
| 3.2.4 核函数 | 第23-24页 |
| 3.3 光滑支持向量机 | 第24-27页 |
| 3.3.1 线性光滑支持向量机 | 第24-25页 |
| 3.3.2 非线性光滑支持向量机 | 第25-26页 |
| 3.3.3 光滑支持向量机的求解 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 特征提取改进 | 第28-35页 |
| 4.1 特征提取建模 | 第28-30页 |
| 4.2 特征提取不足分析 | 第30-34页 |
| 4.2.1 词频因素 | 第30页 |
| 4.2.2 低分布词因素 | 第30-33页 |
| 4.2.3 特征提取优化公式 | 第33-34页 |
| 4.3 本章小结 | 第34-35页 |
| 第五章 基于SSVM的文本分类实现 | 第35-46页 |
| 5.1 文本分类的总体思想 | 第35-37页 |
| 5.2 基于SSVM的文本分类实现 | 第37-45页 |
| 5.2.1 统一文本编码 | 第37-38页 |
| 5.2.2 文本分词和去停用词 | 第38-39页 |
| 5.2.3 加权值计算 | 第39-41页 |
| 5.2.4 SSVM分类训练 | 第41-43页 |
| 5.2.5 SSVM分类测试 | 第43-45页 |
| 5.3 分类策略 | 第45页 |
| 5.3.1 一对一分类 | 第45页 |
| 5.3.2 一对多分类 | 第45页 |
| 5.4 本章小结 | 第45-46页 |
| 第六章 实验结果及分析 | 第46-52页 |
| 6.1 实验环境 | 第46页 |
| 6.2 评价标准 | 第46-47页 |
| 6.3 实验结果及分析 | 第47-51页 |
| 6.3.1 SSVM与SVM二分类结果对比 | 第47-49页 |
| 6.3.2 开方优化运行结果对比 | 第49-51页 |
| 6.4 本章小结 | 第51-52页 |
| 第七章 总结与展望 | 第52-54页 |
| 7.1 工作总结 | 第52-53页 |
| 7.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 附表 | 第59页 |
