基于支持向量机的文本分类系统研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第6-9页 |
| 前言 | 第9-14页 |
| 第一章 支持向量机的理论基础 | 第14-25页 |
| ·统计学习理论基础 | 第14-16页 |
| ·学习问题的表示 | 第14-15页 |
| ·三个基本统计学习问题 | 第15-16页 |
| ·经验风险最小化 | 第16页 |
| ·复杂性与推广能力 | 第16-17页 |
| ·统计学习理论的核心内容 | 第17-24页 |
| ·学习过程一致性的条件 | 第18-20页 |
| ·VC 维 | 第20-22页 |
| ·推广性的界 | 第22-23页 |
| ·结构风险最小化 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第二章 文本分类的关键技术研究 | 第25-36页 |
| ·文本分类的过程研究 | 第25-27页 |
| ·文本表示 | 第27-28页 |
| ·特征选择 | 第28-31页 |
| ·文档频率 | 第28-29页 |
| ·信息增益 | 第29页 |
| ·互信息 | 第29-30页 |
| ·χ~2 统计量 | 第30页 |
| ·期望交叉熵 | 第30页 |
| ·文本证据权 | 第30-31页 |
| ·特征选择方法的比较研究 | 第31页 |
| ·特征加权算法 | 第31-32页 |
| ·性能评估方法 | 第32-33页 |
| ·几种常用的文本分类方法 | 第33-34页 |
| ·朴素贝叶斯方法 | 第33页 |
| ·K-近邻方法 | 第33-34页 |
| ·中心向量方法 | 第34页 |
| ·文本分类方法的比较研究 | 第34-35页 |
| ·小结 | 第35-36页 |
| 第三章 用支持向量机实现文本分类 | 第36-46页 |
| ·二分类支持向量机的研究 | 第36-40页 |
| ·支持向量机对线性可分样本分类 | 第36-38页 |
| ·支持向量机对非线性可分样本分类 | 第38-39页 |
| ·核函数 | 第39-40页 |
| ·实现技术 | 第40-41页 |
| ·分块算法 | 第40页 |
| ·分解算法 | 第40-41页 |
| ·SVMLight | 第41页 |
| ·序贯最小优化算法 | 第41页 |
| ·多分类支持向量机的研究 | 第41-44页 |
| ·支持向量机文本分类器的设计 | 第44-45页 |
| ·小结 | 第45-46页 |
| 第四章 实验数据分析 | 第46-50页 |
| 结论与展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 发表文章目录 | 第54-55页 |
| 致谢 | 第55-56页 |
| 详细摘要 | 第56-60页 |
