支持向量机文本分类算法的研究及其应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·论文的研究背景、意义和现状 | 第9-12页 |
| ·论文研究内容和全文组织结构 | 第12-14页 |
| ·论文研究内容 | 第12-13页 |
| ·论文组织结构 | 第13-14页 |
| 2 统计学习理论与支持向量机 | 第14-24页 |
| ·统计学习理论 | 第14-17页 |
| ·经验风险最小化 | 第14-15页 |
| ·模型复杂度和推广能力 | 第15-16页 |
| ·VC维 | 第16页 |
| ·结构风险最小化原理 | 第16-17页 |
| ·支持向量机基本原理 | 第17-18页 |
| ·支持向量机数学模型 | 第18-24页 |
| ·线性可分支持向量机 | 第18-19页 |
| ·线性不可分支持向量机 | 第19-20页 |
| ·非线性可分支持向量机 | 第20-22页 |
| ·支持向量机 | 第22-24页 |
| 3 基于支持向量机的文本分类技术 | 第24-54页 |
| ·自动文本分类技术 | 第24-29页 |
| ·文本预处理 | 第25页 |
| ·文本表示 | 第25-26页 |
| ·文本特征提取 | 第26-27页 |
| ·常用的文本分类算法 | 第27-28页 |
| ·文本分类性能评估 | 第28-29页 |
| ·支持向量机在文本分类中的应用 | 第29-32页 |
| ·SVM在文本分类中的应用研究现状 | 第29-31页 |
| ·SVM应用在文本分类中的主要问题 | 第31-32页 |
| ·直推式支持向量机 | 第32-34页 |
| ·渐进直推式支持向量机 | 第34-38页 |
| ·改进的基于Cache的PTSVM学习算法 | 第38-54页 |
| ·算法思想 | 第38-40页 |
| ·算法描述 | 第40-41页 |
| ·实验环境及工具介绍 | 第41-46页 |
| ·实验结果及分析 | 第46-54页 |
| 4 ICPTSVM算法在全文检索系统中的应用 | 第54-64页 |
| ·项目背景介绍 | 第54-56页 |
| ·项目来源 | 第54-55页 |
| ·全文检索系统简介 | 第55-56页 |
| ·关键技术分析 | 第56-60页 |
| ·全文检索技术 | 第56-57页 |
| ·异构数据源集成技术 | 第57-58页 |
| ·基于支持向量机的文本分类技术 | 第58-60页 |
| ·全文检索系统框架 | 第60-64页 |
| ·OmniFind | 第60-62页 |
| ·系统框架设计 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表学术论文情况 | 第70-71页 |
| 致谢 | 第71-72页 |
