| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·研究背景 | 第8页 |
| ·研究意义 | 第8-9页 |
| ·研究现状 | 第9-11页 |
| ·文本分类的研究现状 | 第9-10页 |
| ·支持向量机的研究现状 | 第10-11页 |
| ·本文的组织结构 | 第11-13页 |
| 2 文本分类系统研究 | 第13-19页 |
| ·文本分类的任务 | 第13页 |
| ·文本分类的过程 | 第13-16页 |
| ·文本分类过程概述 | 第13-14页 |
| ·文本预处理 | 第14页 |
| ·文本特征表示 | 第14-15页 |
| ·特征提取 | 第15-16页 |
| ·文本分类算法研究 | 第16-17页 |
| ·文本分类的性能评价 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 3 统计学习理论和支持向量机 | 第19-32页 |
| ·统计学习理论 | 第19-22页 |
| ·经验风险最小化原理 | 第19-20页 |
| ·VC维 | 第20页 |
| ·学习过程的一致性 | 第20-21页 |
| ·结构风险最小化原理 | 第21-22页 |
| ·支持向量机 | 第22-31页 |
| ·机器学习 | 第23页 |
| ·支持向量机模型 | 第23-24页 |
| ·硬间隔SVM | 第24-26页 |
| ·软间隔SVM | 第26-27页 |
| ·线性不可分 | 第27-29页 |
| ·核函数及选择 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 4 多类分类算法研究 | 第32-40页 |
| ·第Ⅰ类多类分类算法 | 第32-33页 |
| ·第Ⅱ类多类分类算法 | 第33-37页 |
| ·One-Against-All多类分类方法 | 第33页 |
| ·OVO多类分类方法 | 第33-34页 |
| ·DDAG多分类方法 | 第34-35页 |
| ·第Ⅱ类多类方法的缺陷 | 第35-37页 |
| ·半对半(HAH)多类分类算法 | 第37-38页 |
| ·基于SVM的HAH算法设计 | 第38页 |
| ·实验结果与分析 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 5 基于SVM和语义空间的HAH多类分类算法研究 | 第40-48页 |
| ·语义概念空间概述 | 第40-41页 |
| ·核主成分分析 | 第41-43页 |
| ·主成分分析法 | 第41页 |
| ·核主成分分析提取语义概念空间 | 第41-42页 |
| ·核化泛化Hebbian算法 | 第42-43页 |
| ·渐进直推SVM | 第43-44页 |
| ·基于SVM和语义概念空间的HAH多类分类算法设计 | 第44-46页 |
| ·试验结果与分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 6 支持向量机在文本分类特征提取中的应用 | 第48-62页 |
| ·文本分类特征选择和提取方法 | 第49-53页 |
| ·基于评估函数的文本特征选择方法 | 第49-50页 |
| ·基于单词聚类的文本特征提取方法 | 第50-53页 |
| ·基于支持向量机的单词聚类方法 | 第53-57页 |
| ·若干相关概念的界定 | 第53-55页 |
| ·基于支持向量机的单词聚类方法 | 第55-57页 |
| ·实验结果分析 | 第57-61页 |
| ·本章小结 | 第61-62页 |
| 7 研究结论与展望 | 第62-64页 |
| ·研究工作与成果 | 第62-63页 |
| ·研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |