| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 网络舆情研究情况及进展 | 第10-11页 |
| 1.2.2 核函数和大间隔近邻算法的研究情况及进展 | 第11-13页 |
| 1.3 本文主要工作及创新点 | 第13-14页 |
| 1.3.1 本文主要工作 | 第13-14页 |
| 1.3.2 本文创新点 | 第14页 |
| 1.4 本文的组织架构 | 第14-15页 |
| 第2章 相关理论及技术 | 第15-27页 |
| 2.1 舆情数据预处理 | 第15-17页 |
| 2.1.1 数据清洗及归一化 | 第15页 |
| 2.1.2 预处理技术 | 第15-17页 |
| 2.2 经典特征降维方法介绍 | 第17-20页 |
| 2.2.1 TF-IDF算法 | 第17-18页 |
| 2.2.2 信息增益算法 | 第18-19页 |
| 2.2.3 主成分分析 | 第19-20页 |
| 2.3 文本向量建模及相似性度量 | 第20-22页 |
| 2.3.1 VSM向量空间模型 | 第20-21页 |
| 2.3.2 文档间相似性度量 | 第21-22页 |
| 2.4 核函数概念及性质 | 第22-24页 |
| 2.4.1 核函数定义 | 第22-24页 |
| 2.4.2 核距离 | 第24页 |
| 2.5 大间隔最近邻度量学习 | 第24-26页 |
| 2.5.1 大间隔最近邻算法原理 | 第24-25页 |
| 2.5.2 胡贝尔损失函数 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于组合核函数的特征相似度计算 | 第27-37页 |
| 3.1 组合核函数 | 第27-29页 |
| 3.1.1 组合核函数的构造方法 | 第27-28页 |
| 3.1.2 利用组合核函数求相似度矩阵 | 第28-29页 |
| 3.2 组合核函数的算法步骤 | 第29-30页 |
| 3.3 算法验证实验 | 第30-36页 |
| 3.3.1 实验准备 | 第30页 |
| 3.3.2 实验步骤 | 第30-31页 |
| 3.3.3 实验结果与分析 | 第31-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于Huber-LMNN算法的网络舆情分类 | 第37-51页 |
| 4.1 大间隔近邻算法的分析与优化 | 第37页 |
| 4.2 胡贝尔大间隔近邻算法 | 第37-42页 |
| 4.2.1 大间隔最近邻半定规划模型 | 第37-38页 |
| 4.2.2 胡贝尔大间隔近邻算法分解降阶策略 | 第38-40页 |
| 4.2.3 胡贝尔大间隔近邻算法基本步骤 | 第40-42页 |
| 4.3 算法验证实验 | 第42-50页 |
| 4.3.1 实验准备 | 第42-43页 |
| 4.3.2 实验步骤 | 第43页 |
| 4.3.3 实验结果与分析 | 第43-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间发表的学术论文情况 | 第60页 |