已閱讀1頁，還剩54頁未讀， 繼續(xù)免費閱讀
版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)
文檔簡介
1、隨著INTERNET的飛速發(fā)展，網(wǎng)上的信息越來越豐富，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面時，雖然能部分解決“資源發(fā)現(xiàn)”的問題，但精度不高，不能滿足實際需要。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，造成了相對于海量數(shù)據(jù)的知識貧乏。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Web文本信息進行數(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，Web文本挖掘已經(jīng)成為了數(shù)據(jù)挖掘領(lǐng)域的一個重要的研究方向。 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、向量空間模型、回歸模型和神經(jīng)網(wǎng)絡(luò)等。本文通過分析現(xiàn)有的文本分類，提出了基于改進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文本挖掘的具體過程和相關(guān)理論。 (2)認真研究了統(tǒng)計學(xué)習(xí)理論的主要內(nèi)容和支持向量機
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于Web文本挖掘的SVM網(wǎng)頁文本分類研究.pdf
- 增量式SVM的Web文本分類研究.pdf
- 基于svm的網(wǎng)絡(luò)輿情文本分類研究
- 基于SVM的文本分類應(yīng)用研究.pdf
- 基于SVM主動學(xué)習(xí)的文本分類.pdf
- 基于SVM的網(wǎng)絡(luò)輿情文本分類研究.pdf
- 基于LDA與SVM的文本分類研究.pdf
- 基于關(guān)系權(quán)重的SVM文本分類研究.pdf
- 基于集成SVM的文本分類方法研究.pdf
- 基于SVM的WEB中文文本分類系統(tǒng)研究與實現(xiàn).pdf
- 基于SVM算法的文本分類器的實現(xiàn).pdf
- 基于SVM的網(wǎng)絡(luò)文本分類問題研究與應(yīng)用.pdf
- 基于RS-SVM的中文文本分類研究.pdf
- SVM在文本分類中的應(yīng)用.pdf
- 基于FOA-SVM的中文文本分類的研究.pdf
- Web文本挖掘中的文本分類研究.pdf
- 基于SVM的藏文文本分類技術(shù)研究.pdf
- 基于潛在語義分析的Web文本分類研究.pdf
- 基于支持向量機的Web文本分類研究.pdf
- 基于LDA模型與SVM的文本分類研究與實現(xiàn).pdf
評論
0/150
提交評論