基于支持向量机的文本分类研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-15页 |
| ·引言 | 第10-11页 |
| ·选题背景及课题意义 | 第11-12页 |
| ·研究现状 | 第12-14页 |
| ·支持向量机的研究现状 | 第12-13页 |
| ·文本分类的研究现状 | 第13-14页 |
| ·论文的研究思路及内容 | 第14-15页 |
| 第二章 文本分类的相关技术 | 第15-26页 |
| ·文本预处理 | 第15页 |
| ·文本表示 | 第15-18页 |
| ·布尔模型 | 第15-16页 |
| ·概率模型 | 第16页 |
| ·向量空间模型 | 第16-18页 |
| ·特征选取 | 第18-20页 |
| ·信息增益(information gain) | 第19页 |
| ·期望交叉熵 | 第19页 |
| ·互信息 | 第19-20页 |
| ·文本特征权 | 第20页 |
| ·词频 | 第20页 |
| ·常用的分类方法 | 第20-26页 |
| ·朴素贝叶斯 | 第20-22页 |
| ·类中心向量 | 第22-24页 |
| ·K近邻 | 第24页 |
| ·最大熵模型 | 第24-25页 |
| ·支持向量机 | 第25-26页 |
| 第三章 SVM理论及多分构造方法 | 第26-35页 |
| ·引言 | 第26页 |
| ·支持向量机理论 | 第26-31页 |
| ·最优分类超平面 | 第26-29页 |
| ·向量空间映射 | 第29-31页 |
| ·支持向量机分类算法步骤 | 第31页 |
| ·多类支持向量机 | 第31-35页 |
| ·一对多方法 | 第32页 |
| ·一对一方法 | 第32页 |
| ·决策导向非循环图SVM分类方法 | 第32-33页 |
| ·二叉树的多类SVM分类方法 | 第33-35页 |
| 第四章 一种改进的二叉树多分SVM算法 | 第35-46页 |
| ·常用的二叉树多分支持向量机 | 第36-41页 |
| ·偏二叉树多分支持向量机 | 第36-37页 |
| ·完全或近似完全二叉树支持向量机 | 第37页 |
| ·两种算法的分析 | 第37-41页 |
| ·一种改进的二叉树多分支持向量机 | 第41-45页 |
| ·相似度函数 | 第41-42页 |
| ·一种改进的二叉树生成算法 | 第42-44页 |
| ·改进算法的分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 改进算法在文本分类中的应用 | 第46-52页 |
| ·实验环境 | 第46页 |
| ·分类器性能评判标准 | 第46-47页 |
| ·三种二叉树之间的实验比较 | 第47-49页 |
| ·改进后的算法应用与文本分类并与其它算法比较 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| ·总结 | 第52-53页 |
| ·展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录A 图目录 | 第58-59页 |
| 附录B 表目录 | 第59-60页 |
| Appendix A:Figure Index | 第60-61页 |
| Appendix B:Table Index | 第61-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间主要科研工作及成果 | 第63页 |
| 参与的科研开发项目 | 第63页 |
| 学术论文 | 第63页 |
