基于SVM的Web文本分類研究.pdf

1、隨著INTERNET的飛速發(fā)展，網(wǎng)上的信息越來(lái)越豐富，激增的數(shù)據(jù)背后隱藏著許多重要的信息。用戶使用現(xiàn)有的搜索引擎瀏覽頁(yè)面時(shí)，雖然能部分解決“資源發(fā)現(xiàn)”的問(wèn)題，但精度不高，不能滿足實(shí)際需要。更重要的是不能發(fā)現(xiàn)隱藏在海量Web數(shù)據(jù)背后的知識(shí)，造成了相對(duì)于海量數(shù)據(jù)的知識(shí)貧乏。為了在這些海量的、異質(zhì)的、非結(jié)構(gòu)化的數(shù)據(jù)源中提取感興趣的、潛在的、有用模式和隱藏的信息，需要對(duì)Web文本信息進(jìn)行數(shù)據(jù)挖掘，這就是Web文本挖掘。隨著Web文本數(shù)據(jù)的迅速增

2、長(zhǎng)，Web文本挖掘已經(jīng)成為了數(shù)據(jù)挖掘領(lǐng)域的一個(gè)重要的研究方向。 目前主要的文本分類方法有：最近鄰分類、貝葉斯分類、決策樹、支持向量機(jī)、向量空間模型、回歸模型和神經(jīng)網(wǎng)絡(luò)等。本文通過(guò)分析現(xiàn)有的文本分類，提出了基于改進(jìn)SVM的Web文本分類方法。 本文所做工作如下： (1)介紹了Web數(shù)據(jù)挖掘的基本概念、分類和方法，以及現(xiàn)有Web文本挖掘的具體過(guò)程和相關(guān)理論。 (2)認(rèn)真研究了統(tǒng)計(jì)學(xué)習(xí)理論的主要內(nèi)容和支持向量機(jī)