基于SVM决策树的增量式文本层次分类研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 文本分类的概述 | 第11-12页 |
| 1.2.2 文本层次分类现状 | 第12页 |
| 1.2.3 增量学习现状 | 第12-13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 1.4 本文的章节安排 | 第14-15页 |
| 第二章 文本分类基础 | 第15-22页 |
| 2.1 文本预处理 | 第15-16页 |
| 2.2 文本表示 | 第16-17页 |
| 2.3 文本特征提取 | 第17-18页 |
| 2.4 常用的文本分类算法 | 第18-19页 |
| 2.5 文本分类性能评估 | 第19-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 支持向量机 | 第22-31页 |
| 3.1 统计学习理论 | 第22-24页 |
| 3.1.1 经验风险最小化 | 第22-23页 |
| 3.1.2 VC维 | 第23页 |
| 3.1.3 结构风险最小化 | 第23-24页 |
| 3.2 支持向量机数学模型 | 第24-26页 |
| 3.3 支持向量机多分类算法 | 第26-28页 |
| 3.4 支持向量机增量学习算法 | 第28-30页 |
| 3.4.1 增量学习思想 | 第28页 |
| 3.4.2 增量过程分析 | 第28-29页 |
| 3.4.3 常用的增量学习方法 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于SVM决策树的层次多分类方法 | 第31-42页 |
| 4.1 基于SVM决策树的层次多分类方法的现状 | 第31-32页 |
| 4.2 改进的基于SVM决策树的层次多分类方法 | 第32-35页 |
| 4.2.1 类间可分性测度 | 第33-34页 |
| 4.2.2 改进的非平衡决策树算法 | 第34-35页 |
| 4.2.3 改进的平衡决策树算法 | 第35页 |
| 4.3 实验 | 第35-41页 |
| 4.3.1 实验设计 | 第35-36页 |
| 4.3.2 实验结果与分析 | 第36-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于SVM决策树的增量学习方法 | 第42-49页 |
| 5.1 基于KKT条件的增量学习算法 | 第42-44页 |
| 5.2 基于SVM决策树的增量学习方法 | 第44-45页 |
| 5.3 实验 | 第45-48页 |
| 5.3.1 实验设计 | 第45-46页 |
| 5.3.2 实验结果与分析 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 本文工作总结 | 第49-50页 |
| 6.2 未来研究工作展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 作者攻读学位期间发表的学术论文目录 | 第56页 |
