摘要 | 第1-6页 |
Abstract | 第6-11页 |
第1章 绪论 | 第11-19页 |
·研究背景及意义 | 第11-12页 |
·国内外研究现状 | 第12-17页 |
·Web文本挖掘的研究现状 | 第12-14页 |
·Web文本分类的研究现状 | 第14-17页 |
·本文的主要内容和组织结构 | 第17-18页 |
·本章小结 | 第18-19页 |
第2章 Web文本分类 | 第19-36页 |
·Web挖掘 | 第19-20页 |
·Web挖掘与数据挖掘的区别 | 第19页 |
·Web挖掘的分类 | 第19-20页 |
·Web文本挖掘 | 第20-21页 |
·Web文本分类 | 第21-23页 |
·Web文本分类的定义 | 第21页 |
·Web文本分类的系统结构 | 第21-22页 |
·Web文本分类的实现 | 第22-23页 |
·Web中文文本分类的关键技术 | 第23-34页 |
·文本自动分词技术 | 第23-25页 |
·文本表示技术 | 第25-27页 |
·文本特征项的权重计算 | 第27-29页 |
·降维技术 | 第29-33页 |
·文本分类方法 | 第33-34页 |
·分类质量评价方法 | 第34-35页 |
·本章小结 | 第35-36页 |
第3章 支持向量机 | 第36-49页 |
·引言 | 第36页 |
·统计学习理论 | 第36-40页 |
·经验风险最小化ERM | 第37页 |
·VC维 | 第37-38页 |
·学习过程的一致性 | 第38-39页 |
·结构风险最小化原理 | 第39-40页 |
·支持向量机 | 第40-45页 |
·硬间隔SVM | 第40-41页 |
·软间隔SVM | 第41-42页 |
·线性不可分 | 第42-44页 |
·核函数 | 第44-45页 |
·多分类支持向量机 | 第45-46页 |
·支持向量机的优势 | 第46页 |
·支持向量机在文本分类中的应用 | 第46-47页 |
·本章小结 | 第47-49页 |
第4章 粗糙集理论及其在Web文本分类中的应用研究 | 第49-61页 |
·引言 | 第49页 |
·粗糙集的基本理论 | 第49-54页 |
·知识表示系统和知识 | 第49-50页 |
·正域与负域 | 第50页 |
·约简与相对约简 | 第50-51页 |
·依赖度和重要性 | 第51-52页 |
·决策表简化及决策规则的提取 | 第52-53页 |
·粗糙集中属性约简的几种算法 | 第53-54页 |
·可变精度粗糙集模型 | 第54-55页 |
·粗糙集用于Web文本分类的可行性分析 | 第55-56页 |
·基于Web文本的可变精度粗糙集权重计算方法(WVPRS) | 第56-60页 |
·Web文本的特点 | 第56-58页 |
·可变精度粗糙集在权重计算中的应用 | 第58-59页 |
·新的权重计算方法的提出 | 第59-60页 |
·本章小结 | 第60-61页 |
第5章 一种基于Web的中文文本分类混合算法 | 第61-73页 |
·引言 | 第61-62页 |
·基于Web的中文文本分类混合算法模型 | 第62-63页 |
·基于Web的中文文本分类混合算法的理论分析 | 第63页 |
·基于Web的中文文本分类混合算法的实验验证 | 第63-69页 |
·获取Web训练集和测试集 | 第64页 |
·文本预处理 | 第64-65页 |
·特征提取与特征选择 | 第65页 |
·构造决策表 | 第65-66页 |
·决策表的约简 | 第66-68页 |
·WVPRS权值计算和SVM分类 | 第68-69页 |
·实验结论 | 第69-70页 |
·基于Web的中文文本分类在辅助科技宏观决策中的应用模型设计 | 第70-72页 |
·本章小结 | 第72-73页 |
第6章 总结与展望 | 第73-75页 |
·总结 | 第73-74页 |
·展望 | 第74-75页 |
参考文献 | 第75-81页 |
附录 部分停用词 | 第81-83页 |
致谢 | 第83-84页 |
作者简介 | 第84页 |
攻读硕士学位期间发表的论文和参加科研情况 | 第84页 |