| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景和意义 | 第9-10页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10页 |
| ·国内外研究现状 | 第10-11页 |
| ·文本分类的应用领域 | 第11-13页 |
| ·本文的主要研究内容 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第2章 文本分类技术的概述 | 第15-27页 |
| ·中文分词技术 | 第15-18页 |
| ·中文分词的思想 | 第15-17页 |
| ·常用的中文分词系统 | 第17-18页 |
| ·文本分类的原理 | 第18-21页 |
| ·Web文本分类 | 第19-20页 |
| ·常用的文本分类技术 | 第20-21页 |
| ·文本信息的预处理 | 第21页 |
| ·特征降维方法 | 第21-22页 |
| ·文本特征表示形式 | 第22-26页 |
| ·向量空间模型 | 第22-24页 |
| ·选择文本基本特征项 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 支持向量机 | 第27-37页 |
| ·数据挖掘概述 | 第27-28页 |
| ·支持向量机 | 第28-29页 |
| ·支持向量机的核心技术 | 第29-34页 |
| ·线性支持向量机 | 第29-30页 |
| ·非线性支持向量机 | 第30-33页 |
| ·支持向量机的训练 | 第33-34页 |
| ·支持向量机的主要特点 | 第34页 |
| ·支持向量机存在的问题 | 第34-35页 |
| ·支持向量机的应用领域 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 贝叶斯决策论 | 第37-46页 |
| ·贝叶斯决策论的概述 | 第37-40页 |
| ·连续特征 | 第38-39页 |
| ·离散特征 | 第39-40页 |
| ·最小误差率分类 | 第40-42页 |
| ·极小化极大准则 | 第40-41页 |
| ·Neyman-Pearson准则 | 第41-42页 |
| ·最小误差率在分类中的应用 | 第42-45页 |
| ·在两分类情况下的应用 | 第42-43页 |
| ·在多分类情况下的应用 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 系统的设计与实验分析 | 第46-55页 |
| ·Web文本分类系统的设计 | 第46-49页 |
| ·这种支持向量机算法的原理 | 第47页 |
| ·分类器的评价标准 | 第47-49页 |
| ·仿真实验 | 第49-54页 |
| ·数据初始值的选取 | 第49页 |
| ·实验环境 | 第49-51页 |
| ·基于改进支持向量机在文本分类中的预测步骤及仿真实验 | 第51页 |
| ·改进的SVM算法和传统SVM算法在文本分类中结果的比较 | 第51-52页 |
| ·仿真实验结果分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| ·本文总结 | 第55-56页 |
| ·展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 硕士期间公开发表的论文及参与研发项目 | 第61页 |