基于多类支持向量机的文本分类研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-17页 |
| ·引言 | 第9-10页 |
| ·选题背景及课题意义 | 第10-12页 |
| ·选题背景 | 第10页 |
| ·课题意义 | 第10-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·支持向量机研究进展 | 第12-13页 |
| ·文本挖掘研究进展 | 第13-14页 |
| ·论文研究思路及内容 | 第14-17页 |
| 2 文本挖掘技术 | 第17-30页 |
| ·数据挖掘 | 第17-19页 |
| ·数据挖掘介绍 | 第17页 |
| ·数据挖掘任务及方法 | 第17-19页 |
| ·文本挖掘概述 | 第19-21页 |
| ·文本挖掘概念 | 第19-20页 |
| ·文本挖掘过程 | 第20-21页 |
| ·文本预处理 | 第21-26页 |
| ·特征抽取 | 第21-22页 |
| ·特征选择 | 第22-24页 |
| ·文本向量表示 | 第24-26页 |
| ·文本挖掘关键技术 | 第26-27页 |
| ·文本分类 | 第26-27页 |
| ·文本聚类 | 第27页 |
| ·文本关联分析 | 第27页 |
| ·文本分类 | 第27-28页 |
| ·文本分类描述 | 第27-28页 |
| ·文本分类任务 | 第28页 |
| ·本章小结 | 第28-30页 |
| 3 支持向量机数据挖掘方法 | 第30-42页 |
| ·分类数据挖掘 | 第30页 |
| ·支持向量机 | 第30-39页 |
| ·统计学习理论 | 第30-32页 |
| ·支持向量机概述 | 第32-34页 |
| ·支持向量机原理 | 第34-38页 |
| ·模型选择 | 第38页 |
| ·优缺点 | 第38-39页 |
| ·支持向量机应用于分类挖掘 | 第39-40页 |
| ·支持向量机用于分类挖掘 | 第39页 |
| ·挖掘应用中的主要问题及解决方法 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 4 一种改进的多分类支持向量机 | 第42-58页 |
| ·现有多分类支持向量机 | 第42-49页 |
| ·多类支持向量机组合策略 | 第42-47页 |
| ·常用多类SVM 分析比较 | 第47-49页 |
| ·本文中要解决的问题 | 第49-51页 |
| ·基于二叉树的多类支持向量机原理及算法描述 | 第49-50页 |
| ·存在的问题 | 第50-51页 |
| ·二叉树多类支持向量机改进 | 第51-57页 |
| ·几种改进策略 | 第51-54页 |
| ·本文提出的基于二叉树改进原理 | 第54-56页 |
| ·算法设计及分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 5 多类支持向量机文本分类器设计及实现 | 第58-76页 |
| ·文本分类过程及常见方法 | 第58-62页 |
| ·KNN | 第59页 |
| ·NativeBayes | 第59-61页 |
| ·Rocchio | 第61页 |
| ·SVM | 第61-62页 |
| ·基于多类支持向量机的文本分类器设计 | 第62-66页 |
| ·传统SVM 文本分类器 | 第62页 |
| ·两类问题改进思想简要介绍 | 第62-64页 |
| ·多分类问题改进思想 | 第64-65页 |
| ·分类器评价 | 第65-66页 |
| ·实验环境 | 第66-70页 |
| ·技术及实验平台实现 | 第67-68页 |
| ·系统核心libsvm 实现简介 | 第68-70页 |
| ·实验及结果分析 | 第70-73页 |
| ·多分类SVM 数值实验及结果分析 | 第70-71页 |
| ·多类SVM 文本分类实验及结果分析 | 第71-73页 |
| ·实时环境中的应用展望及问题 | 第73-74页 |
| ·本章小结 | 第74-76页 |
| 6 结束语及展望 | 第76-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 附录 | 第84页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第84页 |
| B. 作者在攻读硕士学位期间参加的科研项目 | 第84页 |
