| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-12页 |
| ·选题背景及意义 | 第9-10页 |
| ·网页自动分类研究现状 | 第10页 |
| ·网页分类的难点及突出问题 | 第10-11页 |
| ·本文工作及内容安排 | 第11-12页 |
| 2 文本分类的基础理论与相关技术 | 第12-20页 |
| ·文本分类的基本概念 | 第12-13页 |
| ·文本表示模型 | 第13-15页 |
| ·文本分类算法 | 第15-18页 |
| ·向量距离分类法 | 第15-16页 |
| ·贝叶斯算法 | 第16-17页 |
| ·KNN算法 | 第17页 |
| ·支持向量机 | 第17-18页 |
| ·文本分类的体系评价 | 第18-20页 |
| 3 中文网页信息的自动提取 | 第20-36页 |
| ·中文网页自动分类的任务 | 第20-21页 |
| ·网页基本结构与特点 | 第21-22页 |
| ·网页的基本结构 | 第21-22页 |
| ·网页特点分析 | 第22页 |
| ·中文分词技术 | 第22-32页 |
| ·常见的中文分词法 | 第23-24页 |
| ·最大匹配分词法( MAXIMUM MATCHING METHOD , MM法) | 第24-26页 |
| ·改进的最大匹配分词法 | 第26-31页 |
| ·中文分词歧义的处理 | 第31-32页 |
| ·未登录词的识别 | 第32页 |
| ·特征项的选择方法 | 第32-36页 |
| 4 支持向量机的研究 | 第36-51页 |
| ·统计学习理论 | 第36-40页 |
| ·背景及发展 | 第36-37页 |
| ·统计学习理论的核心内容 | 第37-40页 |
| ·支持向量机 | 第40-47页 |
| ·支持向量机的应用 | 第40-41页 |
| ·支持向量机分类 | 第41-47页 |
| ·支持向量机的训练算法 | 第47-50页 |
| ·训练算法简介 | 第47-48页 |
| ·序贯最小优化算法 | 第48-50页 |
| ·算法评估 | 第50-51页 |
| 5 支持向量机的扩展、容噪 | 第51-62页 |
| ·单分类器融合成多分类器 | 第51-52页 |
| ·支持向量机的多类文本分类方法 | 第52-54页 |
| ·样本选择方案 | 第52页 |
| ·训练方案 | 第52-54页 |
| ·网页的链接信息 | 第54-57页 |
| ·链接的种类 | 第55-56页 |
| ·链接的噪音 | 第56-57页 |
| ·链接的利用 | 第57页 |
| ·基于容噪的支持向量机算法KNN-SVM | 第57-59页 |
| ·SVM和KNN之间的联系 | 第57-58页 |
| ·KNN-SVM算法的提出 | 第58页 |
| ·KNN-SVM算法 | 第58-59页 |
| ·KNN-SVM算法分析 | 第59页 |
| ·中文网页自动分类实验 | 第59-62页 |
| 6 结论与展望 | 第62-64页 |
| ·全文总结 | 第62页 |
| ·对未来的工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |