SVM在文本分类中的应用
| 第1章 绪论 | 第1-16页 |
| ·课题的来源、目的和意义 | 第11-12页 |
| ·文本分类的研究现状 | 第12-13页 |
| ·支持向量机的研究现状 | 第13-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第2章 文本分类系统的研究 | 第16-27页 |
| ·文本分类概述 | 第16页 |
| ·文本分类的任务 | 第16页 |
| ·文本分类的过程 | 第16-21页 |
| ·文本分类过程概述 | 第16-17页 |
| ·文本的表示 | 第17-18页 |
| ·文本特征项的提取 | 第18-21页 |
| ·文本的分类算法 | 第21-25页 |
| ·Rocchio算法 | 第21-22页 |
| ·朴素贝叶斯分类 | 第22页 |
| ·K-近邻算法 | 第22-23页 |
| ·决策树分类 | 第23页 |
| ·支持向量机方法 | 第23-24页 |
| ·基于投票的方法 | 第24-25页 |
| ·文本分类的性能评价指标 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 统计学习理论 | 第27-36页 |
| ·经验风险最小化原理 | 第27-28页 |
| ·统计学习理论的核心内容 | 第28-35页 |
| ·VC维 | 第28-30页 |
| ·推广误差边界 | 第30页 |
| ·结构风险最小化原则 | 第30-31页 |
| ·学习过程一致性 | 第31-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 支持向量机 | 第36-46页 |
| ·支持向量机的基本方法 | 第36-41页 |
| ·最优分类面 | 第36-37页 |
| ·线性支持向量机解决线性可分问题 | 第37-38页 |
| ·线性支持向量机解决线性不可分问题 | 第38-39页 |
| ·非线性支持向量机 | 第39-41页 |
| ·核函数及选择 | 第41页 |
| ·支持向量机的研究 | 第41-42页 |
| ·支持向量机训练算法研究 | 第41-42页 |
| ·支持向量机分类算法 | 第42页 |
| ·支持向量机的多类分类问题 | 第42-45页 |
| ·概述 | 第42-43页 |
| ·“一对多”方法 | 第43-44页 |
| ·“一对一”方法 | 第44页 |
| ·有向无环图SVMs | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 基于支持向量机的文本分类器的设计 | 第46-58页 |
| ·系统模型 | 第46-50页 |
| ·系统实现 | 第50-51页 |
| ·实验与分析 | 第51-57页 |
| ·实验语料 | 第51页 |
| ·实验结果 | 第51-55页 |
| ·实验分析 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第63-64页 |
| 致谢 | 第64页 |
