面向领域的Web实体扩展及包装器健壮性优化
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题研究背景 | 第12-13页 |
| 1.2 研究目的和意义 | 第13-14页 |
| 1.2.1 研究目的 | 第13页 |
| 1.2.2 研究意义 | 第13-14页 |
| 1.3 研究现状 | 第14-15页 |
| 1.4 面临问题 | 第15-16页 |
| 1.5 本文的主要工作 | 第16页 |
| 1.6 论文结构 | 第16-18页 |
| 第二章 面向领域的Web实体扩展 | 第18-30页 |
| 2.1 相关背景知识 | 第18-22页 |
| 2.1.1 数据挖掘相关技术 | 第18-19页 |
| 2.1.2 Web数据挖掘相关技术 | 第19-22页 |
| 2.2 Web数据源分析 | 第22-23页 |
| 2.3 数据模型 | 第23-24页 |
| 2.4 面向领域的Web实体扩展模型 | 第24-27页 |
| 2.5 面向领域的主题爬取模型 | 第27-29页 |
| 2.5.1 主题爬取模型 | 第27页 |
| 2.5.2 爬行策略 | 第27-28页 |
| 2.5.3 主题爬取模型与通用爬虫模型的区别 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 实体集合扩展 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 实体集合扩展模型 | 第30-31页 |
| 3.3 实体间相似性计算 | 第31-32页 |
| 3.4 扩展集合质量评估 | 第32-33页 |
| 3.5 实体集合扩展算法 | 第33-36页 |
| 3.5.1 静态阈值算法 | 第34-35页 |
| 3.5.2 动态阂值算法 | 第35-36页 |
| 3.6 实验部分 | 第36-38页 |
| 3.6.1 实验准备 | 第36-37页 |
| 3.6.2 实验结果与分析 | 第37-38页 |
| 3.7 本章小结 | 第38-40页 |
| 第四章 基于ILP的属性值抽取方法 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 属性值抽取方法概述 | 第40-42页 |
| 4.2.1 训练阶段 | 第41-42页 |
| 4.2.2 部署阶段 | 第42页 |
| 4.3 基于ILP的属性值抽取方法 | 第42-45页 |
| 4.3.1 决策变量 | 第43页 |
| 4.3.2 约束 | 第43-45页 |
| 4.3.3 目标函数 | 第45页 |
| 4.4 分类器 | 第45-46页 |
| 4.4.1 特征描述 | 第45-46页 |
| 4.4.2 自动训练 | 第46页 |
| 4.5 实验部分 | 第46-48页 |
| 4.5.1 实验准备 | 第46-47页 |
| 4.5.2 实验结果与分析 | 第47-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第五章 基于概率模型的包装器健壮性优化 | 第50-58页 |
| 5.1 引言 | 第50-51页 |
| 5.2 问题分析 | 第51-52页 |
| 5.2.1 问题描述 | 第51-52页 |
| 5.2.2 相关概念 | 第52页 |
| 5.3 基于概率模型的抽取方法 | 第52-53页 |
| 5.4 概率模型健壮性优化 | 第53-55页 |
| 5.4.1 概率模型 | 第53页 |
| 5.4.2 最优概率健壮性 | 第53-54页 |
| 5.4.3 最优健壮性算法 | 第54-55页 |
| 5.4.4 评估可信度 | 第55页 |
| 5.5 实验与分析 | 第55-57页 |
| 5.6 本章小结 | 第57-58页 |
| 第六章 结论 | 第58-60页 |
| 6.1 本文工作总结 | 第58-59页 |
| 6.2 今后工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 作者简介 | 第64-66页 |
| 致谢 | 第66页 |
