| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 引言 | 第11-12页 |
| 1 绪论 | 第12-18页 |
| ·文本分类研究的目的与意义 | 第12-14页 |
| ·文本分类的研究背景 | 第12-13页 |
| ·多标签文本分类的意义 | 第13-14页 |
| ·国内外研究现状与评述 | 第14-16页 |
| ·文本分类发展过程 | 第14-15页 |
| ·文本分类趋势 | 第15页 |
| ·多标签分类的相关研究 | 第15-16页 |
| ·论文的研究内容与创新点 | 第16页 |
| ·论文的研究内容 | 第16页 |
| ·论文的创新点 | 第16页 |
| ·论文的组织结构 | 第16-18页 |
| 2 文本分类相关理论 | 第18-26页 |
| ·分类学习算法的概念、过程及分类 | 第18-21页 |
| ·文本分类问题的定义 | 第18-19页 |
| ·文本分类的一般过程 | 第19-20页 |
| ·文本分类的分类体系 | 第20-21页 |
| ·文本分类的分类方法简单介绍 | 第21-23页 |
| ·决策树 | 第21-22页 |
| ·KNN 法(K-Nearest Neighbor) | 第22页 |
| ·VSM 法 | 第22-23页 |
| ·神经网络 | 第23页 |
| ·文本分类器学习、测试和评价 | 第23-26页 |
| ·文本分类器的学习和测试 | 第23-24页 |
| ·阈值选择 | 第24页 |
| ·评价指标 | 第24-26页 |
| 3 基于支持向量机(SVM)文本分类相关理论研究 | 第26-48页 |
| ·支持向量机(SVM)定义 | 第26-27页 |
| ·支持向量机(SVM)的主要思想 | 第27-28页 |
| ·线性可分支持向量机分类的相关理论 | 第28-36页 |
| ·最大间隔法 | 第28-31页 |
| ·线性可分支持向量机(SVM)的理论证明 | 第31-36页 |
| ·线性不可分支持向量机分类的相关理论 | 第36-40页 |
| ·最大间隔法 | 第36-39页 |
| ·线性支持向量机与线性可分支持向量机算法比较 | 第39-40页 |
| ·非线性可分支持向量机分类的相关理论 | 第40-46页 |
| ·非线性分划的例子 | 第40-41页 |
| ·非线性分划的分类算法 | 第41-44页 |
| ·核函数的介绍 | 第44-46页 |
| ·常用支持向量机训练算法 | 第46-47页 |
| ·支持向量机(SVM)的优势 | 第47页 |
| ·支持向量机(SVM)在文本分类应用中存在的主要问题 | 第47-48页 |
| 4 集合多标签分类方法 | 第48-55页 |
| ·传统多标签分类方法 | 第48页 |
| ·单标签模型 | 第48-50页 |
| ·二分模型 | 第50-51页 |
| ·CML 模型 | 第51-53页 |
| ·CMLF 模型 | 第53-55页 |
| 5 文本分类器的实验分析 | 第55-61页 |
| ·训练过程 | 第55-57页 |
| ·训练结果 | 第57-58页 |
| ·测试过程 | 第58-60页 |
| ·测试结果 | 第60-61页 |
| 6 结论 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 作者简历 | 第64-66页 |
| 学位论文数据集 | 第66-67页 |