基于支持向量机的文本分类问题的研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序 | 第8-12页 |
| 1 引言 | 第12-19页 |
| ·课题背景 | 第12-14页 |
| ·国内外研究现状 | 第14-17页 |
| ·文本分类 | 第14-16页 |
| ·支持向量机在文本分类中的应用 | 第16-17页 |
| ·本文的研究内容 | 第17-19页 |
| 2 文本表示与特征选择方法对比 | 第19-38页 |
| ·文本分类概述 | 第19-20页 |
| ·基于统计的中文文本自动分类 | 第20-21页 |
| ·向量空间模型(VSM) | 第21-23页 |
| ·文本特征词的表示 | 第23-25页 |
| ·停用词对文本分类的影响 | 第23-24页 |
| ·性能和可扩展性特征词的权重 | 第24-25页 |
| ·分词 | 第25-30页 |
| ·基于字符串匹配的分词方法 | 第26-28页 |
| ·基于理解的分词方法 | 第28页 |
| ·基于统计的分词方法 | 第28-30页 |
| ·特征选择 | 第30-37页 |
| ·文档频率 | 第30页 |
| ·信息增益 | 第30-31页 |
| ·互信息 | 第31页 |
| ·x~2统计 | 第31-32页 |
| ·基于类内频率的特征选择函数 | 第32页 |
| ·实验结果与分析 | 第32-37页 |
| ·本章小结 | 第37-38页 |
| 3 文本分类方法对比研究 | 第38-50页 |
| ·朴素贝叶斯法(Na(?)ve Bayes) | 第38-39页 |
| ·KNN方法 | 第39-40页 |
| ·支持向量机方法 | 第40-48页 |
| ·最优分类面 | 第41-43页 |
| ·广义最优分类面 | 第43页 |
| ·规范化超平面集的子集结构 | 第43-44页 |
| ·支持向量机 | 第44-46页 |
| ·内积函数 | 第46-47页 |
| ·实现技术 | 第47-48页 |
| ·实验结果与分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 4 密度聚类在支持向量机中的应用 | 第50-62页 |
| ·常用聚类算法介绍 | 第50-52页 |
| ·模糊 C均值聚类算法(FCM) | 第51页 |
| ·CURE算法 | 第51-52页 |
| ·DBSCAN算法 | 第52页 |
| ·密度聚类方法在支持向量机中的应用 | 第52-53页 |
| ·支持向量对SVM分类的影响 | 第52-53页 |
| ·各种聚类算法的比较 | 第53页 |
| ·利用密度聚类算法求取边缘点 | 第53-62页 |
| ·密度聚类方法的定义 | 第54-55页 |
| ·DBSCAN算法的不足 | 第55-56页 |
| ·改进的快速密度聚类算法 | 第56-57页 |
| ·参考点数据结构 | 第57页 |
| ·寻找参考点 | 第57-59页 |
| ·提取边缘点 | 第59页 |
| ·算法初始参数的设定 | 第59-61页 |
| ·算法时空复杂度分析 | 第61-62页 |
| 5 文本分类系统的设计与实现 | 第62-83页 |
| ·系统结构 | 第62-63页 |
| ·系统功能 | 第63-75页 |
| ·实验结果与分析 | 第75-83页 |
| 6 结束语 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 附录 A | 第88-89页 |
| 索引 | 第89-90页 |
| 作者简历 | 第90-92页 |
| 学位论文数据集 | 第92页 |
