在网络信息的急剧膨胀时代,我们已经不再担心信息的匮乏。但是,网络信息的指数级增长开始让人们感到信息的泛滥和杂乱无章。各大网站的信息独立和数据格式的不统一,使得数据共享平台的实现变得异常困难。如何统一网络中的异构数据格式,并提取出人们所需要的结构化文本信息,是目前Web文本分类课题的研究重点。　　 基于DOM和IG-SVD的Web文本分类模型是本文提出的解决目前Web数据格式和网络信息杂乱无章的一种有效的方法。我们主要研究了以下几方面的工作:　　 (1)提出了基于DOM的正则表达式算法。该算法针对信息抽取的主题不明确,信息抽取内容过于粗略等缺陷,通过对网页的DOM结构分析来定制面向主题的正则表达式的模板,最终完成结构化的文本提取。　　 (2)提出了基于IG-SVD的特征选取算法。首先,用模糊取定阀值的方法确定出大范围的区分度较高的特征项。然后,通过奇异值分解法做矩阵变换和奇异值k的选定,实现了语义的特征项选定和多义词同义词的处理,达到了分类效果最佳的特征向量空间模型。　　 (3)提出了基于支持向量机的分类模型。将基于DOM的正则表达式特征提取算法和基于IG-SVD的特征选取算法融入到支持向量机中,形成了基于支持向量机的分类模型,并将该模型应用到了电子就业智能分类领域中。　　 文章最后设计了一个基于支持向量机的电子就业智能分类预测系统。在此系统中,我们测试了各种模型的分类效果和性能,并对结果进行了对比。实验结果证明,我们提出的改进方法在性能和效率上都有较为显著的提高。