| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究意义 | 第9-10页 |
| 1.3 文本分类的研究现状 | 第10-11页 |
| 1.4 语料库构建的研究现状 | 第11-13页 |
| 1.5 本文的主要研究内容 | 第13-14页 |
| 第2章 语料库自动构建相关技术介绍 | 第14-21页 |
| 2.1 引言 | 第14页 |
| 2.2 文本分类研究的主要技术 | 第14-15页 |
| 2.3 网络信息抽取 | 第15-17页 |
| 2.3.1 网页下载 | 第15页 |
| 2.3.2 网页结构分析 | 第15-17页 |
| 2.3.3 网页正文抽取 | 第17页 |
| 2.4 文本聚类分析 | 第17-18页 |
| 2.5 本文研究内容 | 第18-20页 |
| 2.5.1 网络信息抽取 | 第18页 |
| 2.5.2 信息整合 | 第18-19页 |
| 2.5.3 聚类去噪 | 第19-20页 |
| 2.6 本章总结 | 第20-21页 |
| 第3章 基于自然标注的文本分类方法 | 第21-37页 |
| 3.1 引言 | 第21页 |
| 3.2 基于自然标注的文本分类的基本思想 | 第21页 |
| 3.3 标注信息获取 | 第21-28页 |
| 3.3.1 网页内部的块划分 | 第24页 |
| 3.3.2 基于规则的导航栏发现方法 | 第24-27页 |
| 3.3.3 基于链接关系的导航栏发现方法 | 第27-28页 |
| 3.4 导航项类别判定 | 第28-29页 |
| 3.5 网页内容提取方法 | 第29-31页 |
| 3.5.1 通过标签比提取正文的方法 | 第30页 |
| 3.5.2 批量网页中的正文提取方法 | 第30-31页 |
| 3.6 聚类方法对候选语料库的去噪 | 第31-36页 |
| 3.6.1 基于 k-means 聚类算法实现的去噪方法 | 第32-33页 |
| 3.6.2 基于凝聚层次聚类算法实现的去噪方法 | 第33-35页 |
| 3.6.3 基于近邻传播聚类算法的去噪方法 | 第35-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第4章 语料库自动构建系统的实现 | 第37-44页 |
| 4.1 引言 | 第37页 |
| 4.2 系统框架 | 第37-38页 |
| 4.3 爬虫模块 | 第38-39页 |
| 4.4 标注信息抽取模块 | 第39-41页 |
| 4.4.1 导航栏提取 | 第39-40页 |
| 4.4.2 候选类别生成 | 第40-41页 |
| 4.5 生成分类模块 | 第41-42页 |
| 4.5.1 正文链接标注 | 第41-42页 |
| 4.5.2 网页正文提取 | 第42页 |
| 4.6 候选语料库去噪模块 | 第42-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第5章 实验结果及分析 | 第44-59页 |
| 5.1 引言 | 第44页 |
| 5.2 分类系统的各模块结果及分析 | 第44-46页 |
| 5.2.1 对候选导航栏的锚文本及其子链接的分析 | 第44-45页 |
| 5.2.2 正文抽取模块结果与分析 | 第45-46页 |
| 5.3 测试用分类器及标准语料效果 | 第46-55页 |
| 5.3.1 人工标注的分类准确率 | 第46-48页 |
| 5.3.2 测试分类器以及标准语料在分类器上的效果 | 第48-49页 |
| 5.3.3 生成数据基于 SVM 分类器测试 | 第49-50页 |
| 5.3.4 基于分类器的聚类效果的测试 | 第50-54页 |
| 5.3.5 基于路透语料的系统生成数据测试 | 第54-55页 |
| 5.4 中文分类器的分类效果 | 第55-58页 |
| 5.4.1 系统生成中文语料结果 | 第55-56页 |
| 5.4.2 基于搜狗语料的中文分类结果测试 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-67页 |
| 致谢 | 第67页 |