基于SVM的中文文本自动分类系统的研究与实现
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景 | 第9-10页 |
| ·文本分类的研究现状 | 第10-12页 |
| ·文本分类的国外研究现状 | 第10-11页 |
| ·文本分类的国内研究现状 | 第11-12页 |
| ·SVM 的研究现状 | 第12-13页 |
| ·本文的研究内容及组织结构 | 第13-15页 |
| 第2章 中文文本自动分类技术 | 第15-29页 |
| ·中文文本自动分类概述 | 第15-17页 |
| ·文本分类的任务 | 第15-16页 |
| ·文本分类的过程 | 第16-17页 |
| ·文本的表示 | 第17-18页 |
| ·中文文本分词 | 第18-21页 |
| ·中文文本分词技术 | 第19页 |
| ·中文分词中的难题 | 第19-21页 |
| ·文本的特征提取 | 第21-24页 |
| ·信息增益 | 第22页 |
| ·互信息 | 第22-23页 |
| ·期望交叉熵 | 第23页 |
| ·X2-统计量 | 第23页 |
| ·文本证据权重 | 第23-24页 |
| ·特征项权重的计算 | 第24-25页 |
| ·布尔权重 | 第24页 |
| ·词频权重 | 第24页 |
| ·TFIDF 权重 | 第24-25页 |
| ·文本分类算法 | 第25-27页 |
| ·KNN 算法 | 第25-26页 |
| ·Bayes 算法 | 第26页 |
| ·SVM 算法 | 第26-27页 |
| ·分类器的性能评估 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 SVM 在文本分类中的应用 | 第29-39页 |
| ·统计学习理论与支持向量机 | 第29-30页 |
| ·支持向量机分类 | 第30-34页 |
| ·最优分类面 | 第30-31页 |
| ·线性可分支持向量机 | 第31-32页 |
| ·线性不可分支持向量机 | 第32-33页 |
| ·非线性可分支持向量机 | 第33-34页 |
| ·核函数的研究现状 | 第34-36页 |
| ·支持向量机的应用步骤 | 第36-37页 |
| ·基于SVM 文本分类方法的优势 | 第37页 |
| ·基于SVM 文本分类方法中存在的问题 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 支持向量机分类器的构建 | 第39-45页 |
| ·核函数 | 第39-40页 |
| ·核函数的存在性 | 第39页 |
| ·核函数的选择 | 第39页 |
| ·支持向量机参数优化研究 | 第39-40页 |
| ·支持向量机模型的建立 | 第40-44页 |
| ·惩罚系数Ｃ | 第40-41页 |
| ·训练算法 | 第41-43页 |
| ·支持向量机的学习算法 | 第43页 |
| ·支持向量机多分类器算法 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第5章 实验设计与结果分析 | 第45-57页 |
| ·文本分类方法的性能评估方法 | 第45页 |
| ·实验准备工作 | 第45-47页 |
| ·实验数据 | 第45-46页 |
| ·实验环境及系统流程图 | 第46-47页 |
| ·常用文本分类算法性能比较 | 第47-51页 |
| ·KNN 算法比较 | 第47-48页 |
| ·BAYES 算法比较 | 第48-49页 |
| ·SVM 算法比较 | 第49-51页 |
| ·SVM 分类器 | 第51-55页 |
| ·本章小结 | 第55-57页 |
| 第6章 总结与展望 | 第57-59页 |
| ·总结 | 第57页 |
| ·展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 攻读学位期间发表论文目录 | 第65页 |
