| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题目的和意义 | 第9-10页 |
| 1.2 课题的研究现状 | 第10-11页 |
| 1.3 课题难点和问题 | 第11-12页 |
| 1.4 本文的工作及内容安排 | 第12-13页 |
| 第二章 网页分类技术简介 | 第13-26页 |
| 2.1 网页预处理研究 | 第13-14页 |
| 2.1.1 网页去噪与有效信息提取 | 第13页 |
| 2.1.2 文本分词与去停用词 | 第13-14页 |
| 2.2 文本分类过程概述 | 第14-16页 |
| 2.3 文本特征选择方法研究 | 第16-20页 |
| 2.3.1 词频方法 | 第16页 |
| 2.3.2 文档频次方法 | 第16页 |
| 2.3.3 卡方检验方法 | 第16-18页 |
| 2.3.4 互信息方法 | 第18-19页 |
| 2.3.5 信息增益方法 | 第19-20页 |
| 2.4 特征项权值计算研究 | 第20-22页 |
| 2.4.1 基本的特征项权重计算方法 | 第20-21页 |
| 2.4.2 TF-IDF的特征项权重计算方法 | 第21-22页 |
| 2.5 常用文本分类方法研究 | 第22-25页 |
| 2.5.1 贝叶斯分类方法 | 第22页 |
| 2.5.2 支持向量机的分类方法 | 第22-24页 |
| 2.5.3 随机森林的分类方法 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 对传统网页分类方法的改进 | 第26-40页 |
| 3.1 传统网页分类方法的缺陷 | 第26页 |
| 3.2 引入LDA改进VSM模型在分类中的缺陷 | 第26-30页 |
| 3.2.1 分类中常用文本模型的缺点 | 第26-27页 |
| 3.2.2 对文本主题模型的研究 | 第27-28页 |
| 3.2.3 结合VSM模型和LDA模型的分类方法 | 第28-29页 |
| 3.2.4 实验与分析 | 第29-30页 |
| 3.3 使用网页的结构信息改进TF-IDF算法 | 第30-34页 |
| 3.3.1 对网页的结构信息的研究和分析 | 第30-31页 |
| 3.3.2 基于特征项在文本中位置的权值调整方法 | 第31-32页 |
| 3.3.3 基于特征项所属网页标签类别的权值调整方法 | 第32-33页 |
| 3.3.4 实验与分析 | 第33-34页 |
| 3.4 基于网页关系信息对随机森林分类方法的改进 | 第34-39页 |
| 3.4.1 对网页关系信息的分析 | 第34-35页 |
| 3.4.2 可用于源网页分类的关系网页的选择方法 | 第35-36页 |
| 3.4.3 基于网页关系信息改进的随机森林算法 | 第36-38页 |
| 3.4.4 实验与分析 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于Spark的分类系统的设计与实现 | 第40-56页 |
| 4.1 系统整体概述 | 第40页 |
| 4.2 Spark的安装和部署 | 第40-43页 |
| 4.2.1 Spark的研究 | 第40-42页 |
| 4.2.2 Spark的部署 | 第42-43页 |
| 4.3 爬虫的设计和实现 | 第43-48页 |
| 4.3.1 爬虫需求分析 | 第43-44页 |
| 4.3.2 爬虫的流程设计 | 第44-45页 |
| 4.3.3 爬虫的数据库设计 | 第45-46页 |
| 4.3.4 爬虫的实现 | 第46-48页 |
| 4.4 网页预处理模块设计和实现 | 第48-51页 |
| 4.4.1 网页预处理需求分析 | 第48页 |
| 4.4.2 网页预处理模块的流程设计 | 第48-49页 |
| 4.4.3 网页预处理的实现 | 第49-51页 |
| 4.5 网页分类模块的设计和实现 | 第51-55页 |
| 4.5.1 网页分类的设计 | 第51-52页 |
| 4.5.2 网页分类的实现 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 结束语 | 第56-58页 |
| 5.1 论文工作总结 | 第56-57页 |
| 5.2 问题和展望 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |