| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题的意义和目的 | 第7-8页 |
| ·国内外研究现状 | 第8-9页 |
| ·课题的背景知识 | 第9-11页 |
| ·Web挖掘的概念 | 第9-10页 |
| ·Web数据挖掘的分类 | 第10-11页 |
| ·本文的主要工作 | 第11页 |
| ·论文内容的安排 | 第11-13页 |
| 第二章 WEB文本挖掘的相关技术 | 第13-23页 |
| ·引言 | 第13-14页 |
| ·Web文本的预处理 | 第14-18页 |
| ·Web文本的特征表示 | 第14-16页 |
| ·Web文本特征的选择 | 第16-18页 |
| ·Web文本分类(Text Classification) | 第18-21页 |
| ·文本分类算法 | 第19-21页 |
| ·Web文本聚类(Text Clustering) | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 统计学习理论与支持向量机 | 第23-35页 |
| ·引言 | 第23页 |
| ·统计学习理论 | 第23-26页 |
| ·机器学习问题的基本表示 | 第23-24页 |
| ·经验风险最小化 | 第24页 |
| ·VC维 | 第24页 |
| ·推广性的界 | 第24-25页 |
| ·结构风险最小化原理 | 第25-26页 |
| ·支持向量机 | 第26-32页 |
| ·最优分类超平面 | 第26-27页 |
| ·广义最优分类超平面 | 第27-28页 |
| ·支持向量机(SVM)的核函数 | 第28-30页 |
| ·SVM的训练算法 | 第30-32页 |
| ·SVM方法在文本分类中的应用 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 并行SVM在WEB文本分类中的应用 | 第35-43页 |
| ·引言 | 第35页 |
| ·SVM的并行学习算法 | 第35-38页 |
| ·并行学习概念的提出 | 第35-36页 |
| ·w-model算法 | 第36-37页 |
| ·Cascade SVMs算法 | 第37-38页 |
| ·一种改进并行SVM算法 | 第38-42页 |
| ·并行筛选训练样本 | 第38-39页 |
| ·算法描述 | 第39页 |
| ·实验结果与分析 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于主动学习的SVM文本分类 | 第43-52页 |
| ·主动学习方法简介 | 第43-46页 |
| ·一种基于负样本筛选的主动SVM分类器 | 第46-51页 |
| ·负样本数据的筛选 | 第46-49页 |
| ·SVM实现主动学习具体的算法描述 | 第49页 |
| ·文本分类实验 | 第49-50页 |
| ·实验分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 总结和展望 | 第52-53页 |
| 发表文章 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57页 |