基于RS-SVM的中文文本分类研究
| 内容摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-13页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究状况 | 第10-11页 |
| ·基于RS-SVM 的文本分类算法 | 第11页 |
| ·组织结构 | 第11-13页 |
| 第2章 中文文本分类理论基础及相关算法 | 第13-25页 |
| ·文本分类基本概念 | 第13-14页 |
| ·中文分词 | 第14-15页 |
| ·文本表示 | 第15-17页 |
| ·停用词的处理 | 第15页 |
| ·向量空间模型（VSM） | 第15-17页 |
| ·特征项的选择 | 第17-20页 |
| ·文档频率(DF) | 第17-18页 |
| ·信息增益（IG） | 第18页 |
| ·互信息（MI） | 第18-19页 |
| ·χ2 统计（CHI） | 第19-20页 |
| ·特征权重算法 | 第20-21页 |
| ·布尔权重 | 第20页 |
| ·词频权重 | 第20页 |
| ·TF-IDF 权重 | 第20-21页 |
| ·文本分类算法 | 第21-23页 |
| ·朴素贝叶斯分类算法（NB) | 第21-22页 |
| ·K 近邻分类算法(KNN) | 第22-23页 |
| ·支持向量机分类算法(SVM) | 第23页 |
| ·本章小结 | 第23-25页 |
| 第3章 粗糙集和支持向量机理论基础 | 第25-42页 |
| ·信息约简的粗糙集理论 | 第25-33页 |
| ·粗糙集的基本概念 | 第26-28页 |
| ·信息表知识表达系统与决策表 | 第28-29页 |
| ·决策表离散化 | 第29-31页 |
| ·信息约简 | 第31-33页 |
| ·基于支持向量机的机器学习方法 | 第33-40页 |
| ·支持向量机学习算法 | 第33-36页 |
| ·支持向量机算法的研究现状 | 第36-40页 |
| ·基于粗糙集和支持向量机相结合的方法 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于粗糙集和支持向量机的实现 | 第42-65页 |
| ·仿真设计 | 第42-44页 |
| ·本章的仿真结构框架 | 第42-43页 |
| ·语料库（Corpus）的设计 | 第43-44页 |
| ·分词前的预处理 | 第44-48页 |
| ·中文文本表示 | 第44-45页 |
| ·中文分词 | 第45-47页 |
| ·权重计算 | 第47-48页 |
| ·向量空间预降维 | 第48-50页 |
| ·基于粗糙集理论的向量降维 | 第50-53页 |
| ·向量空间转换为决策表 | 第50-51页 |
| ·决策表离散化 | 第51页 |
| ·Johnson 贪婪算法的改进 | 第51-52页 |
| ·约简决策表 | 第52-53页 |
| ·粗糙集约简后的支持向量机 | 第53-64页 |
| ·基于粗糙集的支持向量机的分类方法流程图 | 第53-55页 |
| ·分类性能评估 | 第55页 |
| ·粗糙集约简后的支持向量机文本分类 | 第55-59页 |
| ·重新分类后的RS-SVM 文本分类 | 第59-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 结论与展望 | 第65-67页 |
| ·总结 | 第65-66页 |
| ·进一步工作的方向 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 后记 | 第70-71页 |
