基于群体特征的页面抽取方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-13页 |
| 1.1 背景及意义 | 第10页 |
| 1.2 存在问题 | 第10-11页 |
| 1.3 研究内容及方案 | 第11-12页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 主要问题 | 第11-12页 |
| 1.3.3 研究方案 | 第12页 |
| 1.4 本章小结 | 第12-13页 |
| 第2章 Web信息抽取综述 | 第13-19页 |
| 2.1 信息抽取概述 | 第13-14页 |
| 2.2 Web信息抽取方法 | 第14-16页 |
| 2.2.1 基于自然语言理解的抽取 | 第14-15页 |
| 2.2.2 基于本体（ontology）的抽取 | 第15页 |
| 2.2.3 基于HTML结构的抽取 | 第15-16页 |
| 2.3 Web信息抽取评价指标 | 第16-17页 |
| 2.4 Web抽取存在的问题 | 第17页 |
| 2.5 本章小结 | 第17-19页 |
| 第3章 模板提取 | 第19-36页 |
| 3.1 相关技术介绍 | 第19-20页 |
| 3.1.1 DOM | 第19页 |
| 3.1.2 XPath | 第19-20页 |
| 3.1.3 模板引擎 | 第20页 |
| 3.2 样本融合 | 第20-23页 |
| 3.2.1 网站模板与正文 | 第21页 |
| 3.2.2 页面分块与正文 | 第21-22页 |
| 3.2.3 样本分析与建树 | 第22-23页 |
| 3.3 DOM节点标识 | 第23-26页 |
| 3.4 样本DOM树的融合 | 第26-30页 |
| 3.4.1 融合结果的结构 | 第26-27页 |
| 3.4.2 样本融合的过程 | 第27-30页 |
| 3.4.3 融合的性能分析 | 第30页 |
| 3.5 正文与模板提取 | 第30-35页 |
| 3.5.1 节点变化度 | 第30-33页 |
| 3.5.2 节点权重 | 第33页 |
| 3.5.3 正文块与模板提取 | 第33-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 样本采集与管理 | 第36-42页 |
| 4.1 URL泛化 | 第36-37页 |
| 4.1.1 URL基本组成 | 第36-37页 |
| 4.1.2 URL泛化方法 | 第37页 |
| 4.2 样本聚合与采集 | 第37-40页 |
| 4.2.1 样本采集 | 第38-39页 |
| 4.2.2 样本聚合控制 | 第39-40页 |
| 4.3 模板更新 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 抽取系统的设计与实现 | 第42-61页 |
| 5.1 系统设计 | 第42-57页 |
| 5.1.1 系统整体架构 | 第42-43页 |
| 5.1.2 数据库设计 | 第43-46页 |
| 5.1.3 模型层设计 | 第46-48页 |
| 5.1.4 DOM解析器设计 | 第48-50页 |
| 5.1.5 调度控制模块 | 第50-51页 |
| 5.1.6 样本采集模块 | 第51-52页 |
| 5.1.7 模板提取模块 | 第52-55页 |
| 5.1.8 页面抽取模块 | 第55-57页 |
| 5.2 系统实现 | 第57-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录 | 第67页 |
