| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·问题的提出 | 第8-9页 |
| ·研究背景及现状 | 第9页 |
| ·本文的组织结构和技术路线 | 第9-11页 |
| 2 基于SVM的中文文本分类系统的建模与设计 | 第11-25页 |
| ·系统总体框架的建模与设计 | 第11-15页 |
| ·传统的文本分类系统模型 | 第12-13页 |
| ·新系统的总体模型设计 | 第13-14页 |
| ·基于SVM的中文文本分类系统的总体设计 | 第14-15页 |
| ·词条抽取模块的设计 | 第15-17页 |
| ·中文文本的分词 | 第15页 |
| ·词条抽取模块的设计 | 第15-17页 |
| ·特征选择模块的设计 | 第17-21页 |
| ·特征选择的目的和意义 | 第17页 |
| ·常用的特征选择方法 | 第17-20页 |
| ·特征选择模块的设计 | 第20-21页 |
| ·文本表示模块的设计 | 第21-22页 |
| ·自动分类模块的设计 | 第22-25页 |
| ·常用的分类算法 | 第22-24页 |
| ·自动分类模块的设计 | 第24-25页 |
| 3 SVM理论基础及其数学模型 | 第25-35页 |
| ·统计学习理论和支持向量机基础 | 第25-28页 |
| ·VC维—反映函数集学习能力的指标 | 第25-26页 |
| ·推广性的界 | 第26页 |
| ·结构风险最小化 | 第26-27页 |
| ·支持向量机 | 第27-28页 |
| ·SVM数学模型的建立过程 | 第28-32页 |
| ·线性支持向量机的最优化算法描述 | 第28-30页 |
| ·非线性支持向量机的最优化算法描述 | 第30-31页 |
| ·支持向量机算法描述 | 第31-32页 |
| ·多类建模 | 第32-35页 |
| ·一对余类 | 第32-33页 |
| ·成对分类 | 第33页 |
| ·纠错输出编码 | 第33-35页 |
| 4 系统实现中的关键技术 | 第35-47页 |
| ·词条抽取系统实现中的关键技术 | 第35-39页 |
| ·可利用的分词资源 | 第35-36页 |
| ·提高词条抽取效率的关键技术 | 第36-39页 |
| ·特征选择算法实现中的关键技术 | 第39-42页 |
| ·VSM表示及内积运算中的关键技术 | 第42-43页 |
| ·向量空间模型的稀疏矩阵表示 | 第42页 |
| ·利用数据库技术简化内积运算 | 第42-43页 |
| ·二次规划的求解实现 | 第43-45页 |
| ·利用一对余类算法实现多类分类的关键技术 | 第45-47页 |
| 5 实验结果及分析 | 第47-54页 |
| ·系统所用数据集 | 第47-48页 |
| ·评价指标和准则 | 第48-50页 |
| ·SVM分类结果及分析 | 第50-52页 |
| ·几种分类方法的比较研究 | 第52-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 附录A Matlab 6.5优化工具箱quadprog函数参考 | 第57-59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-61页 |
| 大连理工大学学位论文版权使用授权书 | 第61页 |