| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-13页 |
| ·选题背景与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·课题研究范围及理论基础 | 第11页 |
| ·主要研究内容 | 第11-13页 |
| 第二章 基于向量机的校园网数据分析与过滤系统的一般模型和部署方案 | 第13-16页 |
| ·基于向量机的校园网数据分析与过滤系统的层次模型 | 第13-14页 |
| ·基于向量机的校园网数据分析与过滤系统在网络中的部署方案 | 第14-15页 |
| ·系统的优缺点分析 | 第15-16页 |
| 第三章 支持向量机 | 第16-24页 |
| ·统计学习理论 | 第16-18页 |
| ·支持向量机 | 第18-22页 |
| ·分类问题 | 第18-20页 |
| ·最大间隔分类法 | 第20-21页 |
| ·线性分类支持向量机 | 第21-22页 |
| ·支持向量分类机 | 第22页 |
| ·支持向量机的优缺点分析 | 第22-24页 |
| 第四章 文本数据分析与过滤技术 | 第24-31页 |
| ·文本表示 | 第24页 |
| ·文本数据分析与过滤系统模型 | 第24-26页 |
| ·分词方法 | 第26-27页 |
| ·基于字典的字符串匹配方法 | 第26页 |
| ·基于规则的分词算法 | 第26-27页 |
| ·基于统计的分词算法 | 第27页 |
| ·基于句法与自然语言理解的方法 | 第27页 |
| ·特征选取 | 第27-28页 |
| ·文本分类技术 | 第28-30页 |
| ·基于内容的分类算法 | 第28-29页 |
| ·基于向量空间的分类算法 | 第29页 |
| ·基于概率的分类算法 | 第29-30页 |
| ·文本分类算法存在的问题 | 第30-31页 |
| 第五章 基于支持向量机的文本数据分析与过滤技术 | 第31-43页 |
| ·基于支持向量机的文本数据分析与过滤技术 | 第31-33页 |
| ·向量空间模型 | 第31页 |
| ·基于支持向量机的文本数据分析与过滤技术 | 第31-33页 |
| ·词典机制 | 第33-37页 |
| ·正向最大匹配法 | 第33-34页 |
| ·词典的数据结构 | 第34-35页 |
| ·词典的构造算法 | 第35-37页 |
| ·文本的向量空间生成算法 | 第37-39页 |
| ·文本的快速向量化算法 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第六章 实验结果分析 | 第43-47页 |
| ·实验语料 | 第43页 |
| ·评估指标 | 第43-44页 |
| ·实验工具 | 第44-46页 |
| ·LIBSVM工具 | 第44页 |
| ·LIBSVM使用的步骤 | 第44页 |
| ·用LIBSVM进行分类 | 第44-46页 |
| ·实验结果分析 | 第46页 |
| ·小结 | 第46-47页 |
| 第七章 结束语 | 第47-48页 |
| ·论文结论 | 第47页 |
| ·今后的工作和展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51页 |