| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第1章 绪论 | 第7-12页 |
| ·课题的来源、目的及研究意义 | 第7-8页 |
| ·文本分类概述 | 第8-9页 |
| ·国内外的现状与发展 | 第9-11页 |
| ·网络文本分类的现状与发展 | 第9-10页 |
| ·SVM算法研究的现状与发展 | 第10-11页 |
| ·本文的组织结构 | 第11-12页 |
| 第2章 文本分类技术 | 第12-27页 |
| ·文本分类模型 | 第12-14页 |
| ·问题描述 | 第12-13页 |
| ·文本分类的阶段流程 | 第13-14页 |
| ·自动分词 | 第14-15页 |
| ·文本表示模型 | 第15-17页 |
| ·文本表示方法 | 第15页 |
| ·向量空间模型 | 第15-17页 |
| ·文本特征选择 | 第17-22页 |
| ·文本特征项 | 第17-18页 |
| ·特征降维方法 | 第18-22页 |
| ·几种常用分类算法 | 第22-25页 |
| ·朴素贝叶斯分类 | 第22-23页 |
| ·K-最近邻算法 | 第23-24页 |
| ·SVM算法 | 第24-25页 |
| ·文本分类的性能评价指标 | 第25-27页 |
| 第3章 统计学习理论概述 | 第27-32页 |
| ·经验风险最小化原理 | 第27-28页 |
| ·统计学习理论的核心内容 | 第28-32页 |
| ·VC维 | 第28-29页 |
| ·推广误差边界 | 第29-30页 |
| ·结构风险最小化归纳原则 | 第30-32页 |
| 第4章 SVM | 第32-44页 |
| ·SVM的基本方法 | 第32-37页 |
| ·最优分类面 | 第32-33页 |
| ·线性SVM解决线性可分问题 | 第33-34页 |
| ·线性SVM解决线性不可分问题 | 第34-35页 |
| ·非线性SVM | 第35-36页 |
| ·核函数及选择 | 第36-37页 |
| ·SVM多类分类算法 | 第37-44页 |
| ·“一对多”方法(One-against-the-rest Method) | 第37-38页 |
| ·“一对一”方法(One-against-one Method) | 第38-39页 |
| ·纠错输出编码方法(Error-correcting output codes Method) | 第39-42页 |
| ·多类SVM网络方法(SVM Network Method) | 第42-44页 |
| 第5章 基于SVM的网络文本分类的研究 | 第44-53页 |
| ·网络文本的预处理 | 第44-48页 |
| ·网络文本标记加权方案 | 第45-46页 |
| ·分词前的预处理 | 第46-47页 |
| ·网络文本预处理算法 | 第47-48页 |
| ·基于多类分类SVM网络的网络文本分类算法的应用 | 第48页 |
| ·LIBSVM介绍 | 第48-49页 |
| ·实验与分析 | 第49-53页 |
| ·实验语料 | 第49-50页 |
| ·实验结果与分析 | 第50-53页 |
| 第6章 总结与展望 | 第53-55页 |
| ·总结 | 第53页 |
| ·进一步工作的方向 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读学位期间的研究成果 | 第59页 |
