| 摘要 | 第1-4页 |
| ABSTRACT（英文摘要） | 第4-5页 |
| 目录 | 第5-8页 |
| 主要符号对照表 | 第8-9页 |
| 第一章 绪论 | 第9-12页 |
| ·模式分类概述 | 第9页 |
| ·并行机器学习 | 第9-11页 |
| ·研究背景 | 第10页 |
| ·研究现状 | 第10-11页 |
| ·论文安排 | 第11-12页 |
| 第二章 文本分类 | 第12-22页 |
| ·引言 | 第12页 |
| ·文本分类 | 第12-13页 |
| ·问题定义 | 第12-13页 |
| ·文本分类系统 | 第13页 |
| ·预处理 | 第13-17页 |
| ·文本清理 | 第14页 |
| ·索引 | 第14-15页 |
| ·降维 | 第15-17页 |
| ·分类器学习 | 第17-20页 |
| ·朴素贝叶斯 | 第18页 |
| ·K近邻 | 第18-19页 |
| ·Boosting | 第19-20页 |
| ·分类器评测 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 最小最大模块化支持向量机 | 第22-36页 |
| ·引言 | 第22页 |
| ·支持向量机 | 第22-28页 |
| ·最优超平面 | 第22-23页 |
| ·二次规划问题 | 第23-25页 |
| ·非线性SVM与核函数 | 第25-27页 |
| ·多类SVM | 第27-28页 |
| ·最小最大模块化支持向量机 | 第28-34页 |
| ·任务分解 | 第28-30页 |
| ·分类器集成 | 第30-31页 |
| ·数据划分策略 | 第31-34页 |
| ·本章小结 | 第34-36页 |
| 第四章 并行最小最大模块化支持向量机 | 第36-51页 |
| ·引言 | 第36页 |
| ·并行M~3-SVM | 第36-40页 |
| ·并行M~3-SVM架构 | 第36-37页 |
| ·复杂度分析 | 第37-40页 |
| ·分类器选择算法 | 第40-43页 |
| ·非对称分类器选择 | 第40-41页 |
| ·对称分类器选择 | 第41-43页 |
| ·分类器选择算法的评价 | 第43页 |
| ·流水化分类器选择算法 | 第43-47页 |
| ·流水 | 第43-44页 |
| ·分类器选择算法的流水化 | 第44-45页 |
| ·复杂度分析 | 第45-47页 |
| ·决策树分类器选择算法 | 第47-50页 |
| ·元学习 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 并行M~3-SVM在大规模专利分类上的应用 | 第51-59页 |
| ·专利分类 | 第51-52页 |
| ·研究背景 | 第51-52页 |
| ·研究现状 | 第52页 |
| ·专利分类实验 | 第52-57页 |
| ·实验设置 | 第52-54页 |
| ·M~3-SVM不同划分策略的比较 | 第54-55页 |
| ·SVM~(light)与M~3-SVMs对比实验 | 第55-57页 |
| ·本章小结 | 第57-59页 |
| 第六章 并行M~3-SVM在不平衡分类问题上的应用 | 第59-66页 |
| ·引言 | 第59页 |
| ·不平衡分类问题研究现状 | 第59-60页 |
| ·重采样 | 第59-60页 |
| ·数据划分与分类器集成 | 第60页 |
| ·代价敏感学习 | 第60页 |
| ·不平衡分类问题实验 | 第60-62页 |
| ·实验数据 | 第60-61页 |
| ·分类器 | 第61页 |
| ·分类器评测指标 | 第61-62页 |
| ·实验结果与分析 | 第62页 |
| ·本章小结 | 第62-66页 |
| 第七章 总结与展望 | 第66-68页 |
| ·本文的主要贡献 | 第66页 |
| ·进一步的研究工作 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第73-76页 |
| 上海交通大学硕士学位论文答辩决议书 | 第76页 |
