| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 绪论 | 第12-18页 |
| ·研究背景和意义 | 第12-14页 |
| ·研究背景 | 第12页 |
| ·Web 文本挖掘的重要意义 | 第12-13页 |
| ·Web 文本分类的重要意义 | 第13-14页 |
| ·文本分类技术研究现状 | 第14-16页 |
| ·国外文本分类研究现状 | 第14页 |
| ·国内文本分类研究现状 | 第14-15页 |
| ·中文Web 文本分类研究现状 | 第15-16页 |
| ·本文的研究内容与组织 | 第16-18页 |
| 第二章 Web 文本分类 | 第18-38页 |
| ·Web 挖掘 | 第18-19页 |
| ·Web 挖掘的定义 | 第18页 |
| ·Web 挖掘的特点 | 第18-19页 |
| ·Web 文本挖掘 | 第19-21页 |
| ·Web 文本挖掘的定义 | 第19页 |
| ·Web 文本挖掘的主要内容 | 第19-21页 |
| ·Web 文本分类相关概念与技术 | 第21-30页 |
| ·文本分类 | 第21-22页 |
| ·训练集和测试集 | 第22-23页 |
| ·Web 文本预处理 | 第23-25页 |
| ·文本表示 | 第25-27页 |
| ·索引生成 | 第27-28页 |
| ·特征选取 | 第28-30页 |
| ·文本分类算法 | 第30-36页 |
| ·KNN（K 最邻近）算法 | 第30-32页 |
| ·支持向量机（SVM） | 第32-35页 |
| ·其他分类算法 | 第35-36页 |
| ·文本分类算法评价指标 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第三章 SVM-KNN 组合算法在 Web 文本分类中的应用 | 第38-44页 |
| ·问题提出 | 第38-39页 |
| ·SVM-KNN 算法思想简介 | 第39-40页 |
| ·SVM-KNN 算法步骤 | 第40-41页 |
| ·实验结果分析与结论 | 第41-43页 |
| ·实验结果 | 第41-42页 |
| ·实验分析与结论 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于密度的 KNN 训练集调整方法 | 第44-56页 |
| ·问题提出 | 第44-45页 |
| ·KNN 的懒散性 | 第44页 |
| ·训练样本不均匀性的影响 | 第44-45页 |
| ·相关概念 | 第45-46页 |
| ·样本调整方法 | 第46-49页 |
| ·解决方法 | 第46-48页 |
| ·样本调整详细算法 | 第48-49页 |
| ·参数确定方法 | 第49-51页 |
| ·实验结果分析与结论 | 第51-54页 |
| ·训练集选取 | 第51页 |
| ·训练集调整情况 | 第51-52页 |
| ·训练集调整前后分类效果比较 | 第52-54页 |
| ·实验分析与结论 | 第54页 |
| ·本章小结 | 第54-56页 |
| 第五章 UTC 聚类指导 Web 文本分类 | 第56-63页 |
| ·问题提出 | 第56-57页 |
| ·无监督文本聚类方法（UTC） | 第57-59页 |
| ·方法描述 | 第57-58页 |
| ·准确性分析 | 第58-59页 |
| ·UTC 聚类指导文本分类方法描述 | 第59-60页 |
| ·基本思想 | 第59-60页 |
| ·算法步骤 | 第60页 |
| ·实验结果分析与结论 | 第60-62页 |
| ·实验步骤与结果 | 第60-61页 |
| ·实验分析与结论 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 中文 Web 文本分类系统设计 | 第63-77页 |
| ·系统开发平台与开发环境 | 第63页 |
| ·总体结构 | 第63-64页 |
| ·模块详细设计 | 第64-75页 |
| ·Web 文本预处理模块 | 第64-66页 |
| ·获取特征向量集模块 | 第66-67页 |
| ·训练模块 | 第67-70页 |
| ·聚类模块 | 第70-72页 |
| ·分类模块 | 第72-74页 |
| ·性能评估模块 | 第74-75页 |
| ·系统训练集与测试集 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第七章 总结与展望 | 第77-79页 |
| ·论文工作总结 | 第77-78页 |
| ·展望 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 攻读硕士学位期间发表的学术论文 | 第82-83页 |
| 致谢 | 第83页 |