基于SVM的网络舆情文本分类研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-13页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·网络舆情研究现状 | 第10页 |
| ·文本自动分类研究现状 | 第10-11页 |
| ·本文研究内容与组织结构 | 第11-13页 |
| 第2章 网络舆情文本分类基础研究 | 第13-30页 |
| ·网络舆情与自然语言处理的基础理论 | 第13-18页 |
| ·网络舆情的概念及特点 | 第13-15页 |
| ·自然语言处理相关研究 | 第15-16页 |
| ·网络舆情分类对象的特点分析 | 第16-18页 |
| ·网络舆情文本分类技术 | 第18-28页 |
| ·主题分类模型 | 第18-19页 |
| ·文本特征选取 | 第19-20页 |
| ·文档表示 | 第20-22页 |
| ·特征降维方法 | 第22-25页 |
| ·文本分类方法 | 第25-28页 |
| ·实验分析 | 第28-30页 |
| 第3章 支持向量机理论概述及方法 | 第30-35页 |
| ·支持向量机基础理论 | 第30-32页 |
| ·统计学习理论核心内容 | 第30页 |
| ·SVM的基本原理 | 第30-32页 |
| ·支持向量机分类的基本方法 | 第32-35页 |
| ·线性可分支持向量机 | 第32-33页 |
| ·线性不可分支持向量机 | 第33页 |
| ·非线性可分支持向量机 | 第33-34页 |
| ·核函数简介及选择 | 第34-35页 |
| 第4章 基于BT-SVM的改进算法 | 第35-39页 |
| ·常用的多类支持向量机分类方法 | 第35页 |
| ·基于二叉树的多类支持向量机算法（BT-SVM） | 第35-37页 |
| ·BT-SVM的基本原理 | 第35-36页 |
| ·常见二叉树改进策略 | 第36-37页 |
| ·支持向量机算法改进 | 第37-38页 |
| ·改进算法实验验证 | 第38-39页 |
| 第5章 基于BT-SVM的网络舆情分类系统设计 | 第39-54页 |
| ·分类主题的确立 | 第39-41页 |
| ·系统总体设计 | 第41-42页 |
| ·系统的设计目标 | 第41页 |
| ·系统的基本功能 | 第41页 |
| ·系统架构 | 第41-42页 |
| ·系统模块设计 | 第42-47页 |
| ·系统流程 | 第42-43页 |
| ·系统各功能模块设计 | 第43-47页 |
| ·网络舆情文本分类系统实现 | 第47-54页 |
| ·系统的总体界面 | 第47-48页 |
| ·各模块的具体实现 | 第48-54页 |
| 第6章 基于天涯杂谈版的舆情语料分类实验 | 第54-66页 |
| ·天涯杂谈版舆情语料使用原因及简介 | 第54页 |
| ·文本分类评估标准 | 第54-56页 |
| ·实验流程 | 第56-59页 |
| ·实验与结果分析 | 第59-66页 |
| ·概率估算方法实验 | 第59-60页 |
| ·特征选择方式实验 | 第60-62页 |
| ·特征评估函数实验 | 第62-63页 |
| ·权重计算实验 | 第63-64页 |
| ·支持向量机核函数实验 | 第64-66页 |
| 第7章 总结与展望 | 第66-68页 |
| ·总结 | 第66页 |
| ·后续工作展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 在校期间发表的学术论文 | 第71-72页 |
| 致谢 | 第72页 |
