| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-15页 |
| ·课题研究背景 | 第8-9页 |
| ·国内外文本自动分类的发展状况 | 第9-11页 |
| ·web 文本分类存在的问题 | 第11-12页 |
| ·研究内容 | 第12-13页 |
| ·论文组织结构 | 第13-15页 |
| 第二章 中文文本分类相关技术 | 第15-30页 |
| ·文本预处理 | 第15-18页 |
| ·特征选择 | 第18-19页 |
| ·特征 | 第18页 |
| ·特征选择的优势 | 第18-19页 |
| ·特征选择算法的描述 | 第19页 |
| ·特征选择基本框架 | 第19页 |
| ·特征选择方法 | 第19-20页 |
| ·过滤式（Filter） | 第20页 |
| ·封装式（Wrapper） | 第20页 |
| ·嵌入式(Embedded) | 第20页 |
| ·特征选择算法的基本描述 | 第20-30页 |
| ·CHI（(χ2 统计） | 第21-22页 |
| ·欧式距离 | 第22页 |
| ·T-TEST | 第22页 |
| ·信息增益 | 第22-23页 |
| ·基于关联性的特征选择（CFS） | 第23-24页 |
| ·马尔科夫过滤毯（MARKOV BLANKET FILTERING） | 第24页 |
| ·近似 Markov Blanket | 第24-25页 |
| ·FCBF (FAST CORRELATION BASED FS) | 第25页 |
| ·序列选择 | 第25-26页 |
| ·增 L 去 R 选择算法（LRS） | 第26页 |
| ·定向搜索 | 第26-27页 |
| ·小结 | 第27-30页 |
| 第三章 常用文本分类分类算法 | 第30-33页 |
| ·朴素贝叶斯 | 第30页 |
| ·决策树 | 第30-31页 |
| ·支持向量机（SVM） | 第31页 |
| ·KNN 算法 | 第31-33页 |
| 第四章 基于改进 SVM 教育资源分类系统实现 | 第33-48页 |
| ·SVM 基础理论 | 第33-36页 |
| ·机器学习模型 | 第33页 |
| ·经验风险最小化原理 | 第33-34页 |
| ·线性不可分支持向量机 | 第34-35页 |
| ·SVM 核函数 | 第35页 |
| ·one-against-rest SVM | 第35-36页 |
| ·改进 SVM 算法 | 第36-38页 |
| ·网上教育资源类型比例 | 第36-37页 |
| ·网络上教育资源的分析 | 第37-38页 |
| ·编码方式 | 第38-39页 |
| ·SVM 算法的思想 | 第39-47页 |
| ·改进的多类 SVM 算法 | 第41-43页 |
| ·权的产生 | 第43-44页 |
| ·算法性能分析 | 第44-47页 |
| ·小结 | 第47-48页 |
| 第五章 基于 SVM-规则的教育资源分类构建 | 第48-57页 |
| ·HTML 网页格式 | 第48-50页 |
| ·基于规则的分类 | 第50-53页 |
| ·算法描述 | 第51-52页 |
| ·实验结果分析 | 第52-53页 |
| ·分类系统设计 | 第53-54页 |
| ·实验结果分析 | 第54-55页 |
| ·小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| ·总结 | 第57-58页 |
| ·展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 研究期间发表的论文 | 第63-64页 |
| 致谢 | 第64页 |