基于多特征融合的网页正文提取及双语网站探测
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题研究的目的与意义 | 第11-12页 |
| 1.1.1 课题来源 | 第11页 |
| 1.1.2 研究的目的和意义 | 第11-12页 |
| 1.2 国内外研究现状及分析 | 第12-17页 |
| 1.2.1 网页正文提取研究现状 | 第13-15页 |
| 1.2.2 基于 web 构建双语语料库研究现状 | 第15-17页 |
| 1.3 本文研究内容 | 第17-20页 |
| 1.3.1 网页正文提取 | 第18-19页 |
| 1.3.2 双语混合网页判定 | 第19页 |
| 1.3.3 双语平行网页判定 | 第19-20页 |
| 第2章 多特征融合的网页提取 | 第20-38页 |
| 2.1 正文提取算法整体架构 | 第20-21页 |
| 2.2 文件预处理 | 第21-25页 |
| 2.2.1 文件编码转换 | 第21-22页 |
| 2.2.2 网页代码规范化 | 第22-24页 |
| 2.2.3 去除 JavaScript 代码 | 第24-25页 |
| 2.3 结构解析和多特征融合的正文判断 | 第25-32页 |
| 2.3.1 基本概念 | 第25-29页 |
| 2.3.2 网页结构解析 | 第29-31页 |
| 2.3.3 多特征融合的正文判断 | 第31-32页 |
| 2.4 正文脉络后处理 | 第32-36页 |
| 2.4.1 链接文本回填 | 第33-34页 |
| 2.4.2 去除伪噪声 | 第34页 |
| 2.4.3 去除离群点 | 第34-35页 |
| 2.4.4 黑名单过滤 | 第35-36页 |
| 2.5 实验结果及分析 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 双语混合网页判定 | 第38-55页 |
| 3.1 双语混合网页判定总体结构 | 第38-40页 |
| 3.2 网页信息预处理 | 第40-44页 |
| 3.2.1 文本分句 | 第40-43页 |
| 3.2.2 文本语言判定 | 第43-44页 |
| 3.3 基于局部锚点搜索的互译率计算 | 第44-47页 |
| 3.3.1 字典处理 | 第45-46页 |
| 3.3.2 互译率计算 | 第46-47页 |
| 3.4 互译判定 | 第47-51页 |
| 3.4.1 字符长度判读和句子数目判断 | 第48-49页 |
| 3.4.2 互译率判断 | 第49-51页 |
| 3.5 双语资源存储方式 | 第51-52页 |
| 3.6 实验结果与分析 | 第52-54页 |
| 3.6.1 实验方法 | 第52-53页 |
| 3.6.2 实验结果 | 第53-54页 |
| 3.7 本章小结 | 第54-55页 |
| 第4章 双语平行网页判定 | 第55-66页 |
| 4.1 双语平行网页判定总体结构 | 第55-56页 |
| 4.2 网页信息预处理 | 第56-59页 |
| 4.2.1 结构标签和文本段落信息 | 第57-59页 |
| 4.2.2 特殊标签信息 | 第59页 |
| 4.3 网页互译判定 | 第59-64页 |
| 4.3.1 结构判定 | 第60-63页 |
| 4.3.2 文本互译判定 | 第63页 |
| 4.3.3 平行网页互译判定规则 | 第63-64页 |
| 4.4 实验结果与分析 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第5章 基于互联网的中英双语语料获取系统 | 第66-70页 |
| 5.1 系统硬件环境 | 第66页 |
| 5.2 系统架构 | 第66-69页 |
| 5.3 语料挖掘情况 | 第69页 |
| 5.4 本章小结 | 第69-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-78页 |
