| 摘要 | 第5-7页 |
| ABSTRACT（英文摘要） | 第7-8页 |
| 主要符号对照表 | 第11-12页 |
| 第一章 绪论 | 第12-15页 |
| 1.1 专利研究背景 | 第12页 |
| 1.2 专利分类技术的发展 | 第12-14页 |
| 1.2.1 欧洲专利分类研究现状 | 第13页 |
| 1.2.2 美国专利分类研究现状 | 第13页 |
| 1.2.3 日本专利分类研究现状 | 第13-14页 |
| 1.3 论文安排 | 第14-15页 |
| 第二章 文本分类 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 文本分类 | 第15-16页 |
| 2.2.1 定义 | 第15-16页 |
| 2.3 特征提取方法 | 第16-20页 |
| 2.3.1 预处理 | 第16-17页 |
| 2.3.2 索引 | 第17-18页 |
| 2.3.3 降维 | 第18-20页 |
| 2.4 分类模型 | 第20-22页 |
| 2.4.1 Rocchio算法 | 第20-21页 |
| 2.4.2 K最近邻法 | 第21页 |
| 2.4.3 朴素贝叶斯 | 第21-22页 |
| 2.5 性能评价标准 | 第22-23页 |
| 2.5.1 单类别评价标准 | 第22-23页 |
| 2.5.2 多类别评价标准 | 第23页 |
| 2.6 本章小结 | 第23-25页 |
| 第三章 最小最大模块化支持向量机 | 第25-36页 |
| 3.1 引言 | 第25页 |
| 3.2 支持向量机 | 第25-29页 |
| 3.2.1 最优超平面 | 第25-26页 |
| 3.2.2 线性支持向量机 | 第26-28页 |
| 3.2.3 非线性支持向量机 | 第28-29页 |
| 3.3 多类支持向量机 | 第29-30页 |
| 3.3.1 一对一（one against one） | 第30页 |
| 3.3.2 一对其他（one against rest） | 第30页 |
| 3.4 最小最大模块化支持向量机 | 第30-35页 |
| 3.4.1 任务分解 | 第30-32页 |
| 3.4.2 结果合并 | 第32-33页 |
| 3.4.3 增量学习 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 模块化分类器的训练集划分策略 | 第36-43页 |
| 4.1 引言 | 第36页 |
| 4.2 常用的划分策略算法 | 第36-38页 |
| 4.2.1 随机划分 | 第36页 |
| 4.2.2 超平面划分 | 第36-38页 |
| 4.2.3 聚类划分 | 第38页 |
| 4.3 一种新的基于先验知识的划分策略 | 第38-42页 |
| 4.3.1 专利分类体系结构 | 第39页 |
| 4.3.2 专利的时间相关性分析 | 第39-41页 |
| 4.3.3 基于先验知识的划分策略 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 专利分类实验分析 | 第43-53页 |
| 5.1 实验准备 | 第43-45页 |
| 5.1.1 数据集说明和环境描述 | 第43-45页 |
| 5.1.2 特征提取 | 第45页 |
| 5.1.3 分类器 | 第45页 |
| 5.2 不同划分策略下M~3-SVMs的实验 | 第45-46页 |
| 5.3 SVM与M~3-SVMs对比实验结果 | 第46-50页 |
| 5.3.1 分类准确率 | 第46页 |
| 5.3.2 时间比较 | 第46-50页 |
| 5.3.3 参数依赖性比较 | 第50页 |
| 5.4 M~3-SVMs增量学习实验 | 第50-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 本文的主要贡献 | 第53页 |
| 6.2 进一步的研究工作 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第59页 |