1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述 一、前言 支持向量机（svm）是一种在统计学习理论的基础上发展起来的机器学习方法[1]，是由cortes和vapnik于1995年首先提出。

该方法采用结构风险最小化原则替代传统经验风险最小化原则，可以使其在训练样本数量有限的情况下，很好地兼顾分类识别准确率和分类推广能力。

因此，svm 方法被广泛地应用到模式识别和分类问题中[2]。

2. 研究的基本内容、问题解决措施及方案

1.本课题研究的问题 （1）文本分词、去停用词预处理； （2）特征降维及特征加权的实现方法； （3）支持向量机（SVM）模型的建立； （4）用训练文本进行模型训练，并测试文本测试分类的准确率； 2.课题采用的研究手段 （1）学习python使用方法，用python进行文本分词、去停用词； （2）利用改进后的互信息特征选择方法进行特征选择，利用TFIDFIG方法进行特征加权； （3）学习SVM相关知识，建立SVM文本分类模型，并用FOA模型进行参数优化； （4）使用python对算法模型进行编程调试，对模型进行训练、测试；