| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-13页 |
| ·数据挖掘 | 第8页 |
| ·Web 数据挖掘 | 第8-10页 |
| ·Web 挖掘的过程 | 第8页 |
| ·Web 的特点 | 第8-9页 |
| ·Web 数据挖掘的目标 | 第9-10页 |
| ·Web 文本挖掘系统体系结构 | 第10-11页 |
| ·Web 文本挖掘的意义 | 第11页 |
| ·Web 文本挖掘的应用 | 第11-12页 |
| ·本文组织结构 | 第12页 |
| ·小结 | 第12-13页 |
| 第二章 Web 文本预处理 | 第13-21页 |
| ·文本提取 | 第13页 |
| ·文本形式化处理 | 第13页 |
| ·分词 | 第13-17页 |
| ·正向最大匹配算法(maximum match) | 第14-15页 |
| ·逆向最大匹配算法 | 第15-16页 |
| ·基于统计的最短路径分词算法 | 第16-17页 |
| ·无词典的分词方法 | 第17页 |
| ·Web 文本特征表示 | 第17-18页 |
| ·文本特征选择 | 第18-20页 |
| ·信息增益 | 第18-19页 |
| ·互信息 | 第19页 |
| ·χ~2(CHI)统计 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 Web 文本数据挖掘 | 第21-36页 |
| ·Web 文本分类 | 第21-22页 |
| ·文本分类的两种类型 | 第21-22页 |
| ·文本分类的两种方式 | 第22页 |
| ·常用的方法 | 第22-27页 |
| ·Rocchio 方法-相似度计算方法 | 第22-24页 |
| ·Naive Bayes-朴素贝叶斯分类 | 第24页 |
| ·K 近邻文本分类法(KNN) | 第24-25页 |
| ·支持向量机分类(SVM) | 第25页 |
| ·决策树方法(Decision Tree) | 第25-26页 |
| ·神经网络分类方法(Neural Networks) | 第26-27页 |
| ·阈值选择策略 | 第27-28页 |
| ·Web 文本分类流程 | 第28页 |
| ·评估方法 | 第28-29页 |
| ·Web 文本聚类 | 第29-30页 |
| ·Web 文本聚类方法 | 第30-34页 |
| ·划分聚类法 | 第30-31页 |
| ·k-均值聚类 | 第31-32页 |
| ·对分k-平均法(Bisection k-means) | 第32页 |
| ·层次聚类法 | 第32-34页 |
| ·聚类的评估 | 第34-35页 |
| ·小结 | 第35-36页 |
| 第四章基于属性加权的web 文本分类 | 第36-42页 |
| ·引言 | 第36页 |
| ·贝叶斯分类基本思想 | 第36页 |
| ·贝叶斯定理 | 第36-37页 |
| ·朴素贝叶斯文本分类模型 | 第37-39页 |
| ·模型构建 | 第37页 |
| ·参数估计 | 第37-38页 |
| ·分类 | 第38页 |
| ·加权朴素贝叶斯Web 文本分类 | 第38-39页 |
| ·基于加权朴素贝叶斯的分类算法 | 第39-40页 |
| ·分类结果评估 | 第40页 |
| ·实验测试与分析 | 第40-41页 |
| ·小结 | 第41-42页 |
| 第五章 一种改进的支持向量机Web 文本分类 | 第42-48页 |
| ·引言 | 第42页 |
| ·支持向量机简介 | 第42页 |
| ·支持向量 | 第42-44页 |
| ·支持向量机分类方法 | 第44页 |
| ·改进的分类方法 | 第44-46页 |
| ·实验及分析 | 第46-47页 |
| ·小结 | 第47-48页 |
| 第六章总结和展望 | 第48-49页 |
| ·全文总结 | 第48页 |
| ·展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |