SVM在Web文本挖掘中的应用与研究
| 第1章 绪论 | 第1-15页 |
| 1．1 课题的来源、目的和意义 | 第10-11页 |
| 1．2 Web文本挖掘研究现状 | 第11-12页 |
| 1．2．1 国外的研究现状 | 第11-12页 |
| 1．2．2 国内的研究现状 | 第12页 |
| 1．3 统计学习理论与支持向量机算法 | 第12-14页 |
| 1．4 本篇论文的组织结构 | 第14-15页 |
| 第2章 Web文本挖掘的研究 | 第15-30页 |
| 2．1 Web挖掘的起源 | 第15页 |
| 2．2 Web挖掘的难点 | 第15-17页 |
| 2．3 Web挖掘的分类 | 第17-19页 |
| 2．3．1 Web内容挖掘 | 第18页 |
| 2．3．2 Web结构挖掘 | 第18页 |
| 2．3．3 Web使用挖掘 | 第18-19页 |
| 2．4 Web文本挖掘 | 第19-23页 |
| 2．4．1 Web文本挖掘的相关术语 | 第19-20页 |
| 2．4．2 Web文本挖掘的具体过程 | 第20-23页 |
| 2．5 Web文本挖掘中的特征表示和特征提取技术 | 第23-29页 |
| 2．5．1 自动分词技术及常见算法 | 第24-25页 |
| 2．5．2 Web文本的特征表示 | 第25-26页 |
| 2．5．3 Web文本的特征提取 | 第26-29页 |
| 2．6 本章小结 | 第29-30页 |
| 第3章 统计学习理论概述 | 第30-43页 |
| 3．1 机器学习的基本问题 | 第30-32页 |
| 3．1．1 问题的表示 | 第30-31页 |
| 3．1．2 经验风险最小化 | 第31-32页 |
| 3．1．3 复杂性与推广能力 | 第32页 |
| 3．2 统计学习理论的核心内容 | 第32-41页 |
| 3．2．1 VC维 | 第33-34页 |
| 3．2．2 学习过程一致性 | 第34-40页 |
| 3．2．3 结构风险最小化原理 | 第40-41页 |
| 3．3 本章小结 | 第41-43页 |
| 第4章 支持向量机 | 第43-57页 |
| 4．1 支持向量机的发展历史 | 第43-44页 |
| 4．2 支持向量机的基本方法 | 第44-49页 |
| 4．2．1 最优分类平面 | 第44-45页 |
| 4．2．2 线性情况 | 第45-47页 |
| 4．2．3 非线性情况 | 第47-49页 |
| 4．3 支持向量机的研究 | 第49-54页 |
| 4．3．1 SVM训练算法 | 第50-53页 |
| 4．3．2 SVM分类算法 | 第53页 |
| 4．3．3 多类SVM算法 | 第53-54页 |
| 4．3．4 核函数及选择 | 第54页 |
| 4．4 支持向量机的应用 | 第54-55页 |
| 4．5 需要解决的问题和进一步的研究方向 | 第55页 |
| 4．6 本章小结 | 第55-57页 |
| 第5章 支持向量机在Web文本挖掘中的应用 | 第57-67页 |
| 5．1 Web文本挖掘中引入SVM的原因 | 第57-58页 |
| 5．2 支持向量机与增量学习 | 第58-59页 |
| 5．3 增量学习算法 | 第59-65页 |
| 5．3．1 支持向量机与KKT条件 | 第59-61页 |
| 5．3．2 增量学习后支持向量集变化分析 | 第61-63页 |
| 5．3．3 SVM增量学习算法 | 第63-65页 |
| 5．4 实验结果与分析 | 第65-66页 |
| 5．4．1 实验结果 | 第65页 |
| 5．4．2 分析 | 第65-66页 |
| 5．5 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-74页 |
| 致谢 | 第74页 |
