基于SVM算法的web分类研究与实现
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-14页 |
| ·Web分类算法国内外研究现状 | 第10-12页 |
| ·项目任务 | 第12-13页 |
| ·论文结构 | 第13-14页 |
| 第二章 Web分类模型论述 | 第14-24页 |
| ·Web数据来源 | 第14-16页 |
| ·页面分词算法 | 第16-18页 |
| ·机械分词算法 | 第16-17页 |
| ·基于理解的分词方法 | 第17页 |
| ·基于统计的分词方法 | 第17-18页 |
| ·最大匹配快速分词算法 | 第18页 |
| ·文本的表示 | 第18-23页 |
| ·向量空间模型 | 第19页 |
| ·文本的相似度计算 | 第19-21页 |
| ·权重计算 | 第21-22页 |
| ·训练过程 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 Web分类算法研究 | 第24-33页 |
| ·决策树算法 | 第24-26页 |
| ·决策树构建 | 第24-25页 |
| ·决策树修剪 | 第25-26页 |
| ·朴素贝叶斯算法 | 第26-29页 |
| ·贝叶斯理论 | 第26-28页 |
| ·朴素贝叶斯分类器 | 第28-29页 |
| ·K-最近邻算法 | 第29-32页 |
| ·算法实现 | 第30-32页 |
| ·KNN分类器特征 | 第32页 |
| ·本章小结 | 第32-33页 |
| 第四章 支持向量机算法研究 | 第33-53页 |
| ·统计学习理论 | 第33-36页 |
| ·VC维理论 | 第33-34页 |
| ·结构风险最小化 | 第34-36页 |
| ·拉格朗日理论 | 第36-38页 |
| ·支持向量机 | 第38-45页 |
| ·核函数 | 第38-40页 |
| ·线性可分模式下的最优超平面 | 第40-42页 |
| ·线性不可分模式下的最优超平面 | 第42-45页 |
| ·SVM多类分类训练器 | 第45-48页 |
| ·全局优化法 | 第45页 |
| ·阶梯式一对一训练法 | 第45-46页 |
| ·阶梯式一对多训练法 | 第46-47页 |
| ·平行式一对一训练法 | 第47页 |
| ·平行式一对多训练法 | 第47页 |
| ·决策导向无环图支持向量机方法(DDAGSVM) | 第47-48页 |
| ·基于二叉树的多类分类方法 | 第48页 |
| ·分类器的判别策略 | 第48-50页 |
| ·一对一的投票策略 | 第48-49页 |
| ·一对多的直接判别 | 第49-50页 |
| ·支持向量机的增量学习算法 | 第50-52页 |
| ·支持向量机增量学习算法分类 | 第50-51页 |
| ·支持向量机增量学习算法原理 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 改进的SVM算法研究与实现 | 第53-70页 |
| ·项目相关知识 | 第53-54页 |
| ·URL过滤数据来源 | 第54-61页 |
| ·Web分类器算法改进 | 第61-68页 |
| ·SVM分类器训练算法改进 | 第61-67页 |
| ·SVM分类器分类算法改进 | 第67-68页 |
| ·实验结果校验 | 第68-69页 |
| ·本章小节 | 第69-70页 |
| 第六章 结束语 | 第70-72页 |
| ·工作总结 | 第70页 |
| ·主要工作 | 第70页 |
| ·工作创新 | 第70页 |
| ·问题与展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的论文 | 第75页 |
