基于半监督SVM主动学习的文本分类算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-11页 |
| ·文本分类 | 第9-10页 |
| ·主动学习 | 第10-11页 |
| ·半监督学习 | 第11页 |
| ·国内外研究现状 | 第11-12页 |
| ·本文所做的工作 | 第12-15页 |
| 2 文本分类的相关理论和技术 | 第15-22页 |
| ·文本分类 | 第15-16页 |
| ·文本表示 | 第16-17页 |
| ·向量空间模型 | 第16页 |
| ·布尔模型 | 第16-17页 |
| ·特征选择 | 第17-19页 |
| ·信息增益法 | 第17-18页 |
| ·特征词的频率法 | 第18页 |
| ·互信息法 | 第18-19页 |
| ·CHI 统计法 | 第19页 |
| ·文本分类方法 | 第19-20页 |
| ·支持向量机算法 | 第19页 |
| ·朴素贝叶斯算法 | 第19-20页 |
| ·近邻法 | 第20页 |
| ·其他分类算法 | 第20页 |
| ·性能评价标准 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 3 统计学习理论与支持向量机 | 第22-34页 |
| ·统计学理论 | 第22-24页 |
| ·一致性 | 第22-23页 |
| ·VC 维 | 第23页 |
| ·结构风险最小化 | 第23-24页 |
| ·支持向量机 | 第24-32页 |
| ·线性支持向量机 | 第25-27页 |
| ·非线性支持向量机 | 第27-28页 |
| ·核技术 | 第28-30页 |
| ·多类分类支持向量机 | 第30-32页 |
| ·本章小结 | 第32-34页 |
| 4 半监督 SVM 主动学习 | 第34-45页 |
| ·主动学习 | 第34-36页 |
| ·SVM 主动学习 | 第36-37页 |
| ·半监督学习 | 第37-40页 |
| ·半监督学习的介绍 | 第37-39页 |
| ·半监督支持向量机 | 第39-40页 |
| ·半监督 SVM 主动学习 | 第40-44页 |
| ·半监督核构造 | 第41-42页 |
| ·半监督 SVM 主动学习 | 第42-44页 |
| ·半监督学习算法流程 | 第44页 |
| ·本章小结 | 第44-45页 |
| 5 实验结果与分析 | 第45-51页 |
| ·实验环境 | 第45页 |
| ·LIBSVM 分类器 | 第45页 |
| ·实验数据构造 | 第45-46页 |
| ·实验结果分析 | 第46-50页 |
| ·本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间的研究成果 | 第58页 |
