基于支持向量机的文本分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究意义 | 第8-10页 |
| 1.2.1 理论意义 | 第8-9页 |
| 1.2.2 实践意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 国外研究现状 | 第10-12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 本文的研究内容 | 第13-14页 |
| 1.5 论文的组织结构 | 第14-15页 |
| 2 文本分类概述 | 第15-26页 |
| 2.1 文本分类的框架 | 第15页 |
| 2.2 中文分词 | 第15-16页 |
| 2.3 文本表示 | 第16-18页 |
| 2.4 特征降维 | 第18-21页 |
| 2.4.1 文档频率 | 第18页 |
| 2.4.2 信息增益 | 第18-19页 |
| 2.4.3 互信息 | 第19-20页 |
| 2.4.4 卡方统计 | 第20-21页 |
| 2.5 分类算法 | 第21-24页 |
| 2.5.1 Rocchio算法 | 第21-22页 |
| 2.5.2 朴素贝叶斯分类器 | 第22-23页 |
| 2.5.3 决策树 | 第23-24页 |
| 2.6 文本评估方法 | 第24页 |
| 2.7 本章小结 | 第24-26页 |
| 3 基于SVM与KNN的文本分类比较研究 | 第26-40页 |
| 3.1 机器学习相关概念 | 第26页 |
| 3.2 统计学习理论 | 第26-28页 |
| 3.2.1 统计学习一致性条件 | 第26-27页 |
| 3.2.2 推广性的界 | 第27-28页 |
| 3.2.3 结构风险最小化原则 | 第28页 |
| 3.3 支持向量机 | 第28-36页 |
| 3.3.1 硬间隔支持向量机 | 第28-30页 |
| 3.3.2 软间隔支持向量机 | 第30-32页 |
| 3.3.3 非线性支持向量机 | 第32-33页 |
| 3.3.4 多分类支持向量机 | 第33-34页 |
| 3.3.5 支持向量机的特点 | 第34-36页 |
| 3.4 KNN算法 | 第36页 |
| 3.5 实验 | 第36-39页 |
| 3.5.1 实验环境 | 第36-37页 |
| 3.5.2 数据集 | 第37页 |
| 3.5.3 实验设计 | 第37页 |
| 3.5.4 实验评价 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 4 基于LSA_SVM的文本分类研究 | 第40-47页 |
| 4.1 同义词和多义词对文本分类的影响 | 第40-42页 |
| 4.2 潜在语义分析 | 第42页 |
| 4.3 奇异值分解 | 第42-43页 |
| 4.4 实验 | 第43-46页 |
| 4.4.1 实验环境 | 第43-44页 |
| 4.4.2 数据集 | 第44页 |
| 4.4.3 实验设计 | 第44页 |
| 4.4.4 实验评价 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 总结与展望 | 第47-49页 |
| 5.1 结论 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 攻读学位期间的研究成果 | 第53页 |
