| 提要 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 引言 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12页 |
| 1.3 研究现状 | 第12-13页 |
| 1.4 研究内容 | 第13-14页 |
| 1.5 论文结构 | 第14-15页 |
| 第2章 网页去重算法简介 | 第15-18页 |
| 2.1 文本去重预处理技术 | 第15-16页 |
| 2.2 获取重复文本技术 | 第16-17页 |
| 2.2.1 网页自动聚类 | 第16页 |
| 2.2.2 网页自动分类 | 第16-17页 |
| 2.2.3 基于网页规则的算法 | 第17页 |
| 2.2.4 基于网页距离的算法 | 第17页 |
| 2.3 小结 | 第17-18页 |
| 第3章 一种基于 Simhash 的文本快速去重算法 | 第18-29页 |
| 3.1 文本去重基本概念 | 第18-19页 |
| 3.1.1 文本相似基本定义 | 第18-19页 |
| 3.1.2 文本相似基本性质 | 第19页 |
| 3.1.3 文本去重字符表及其含义 | 第19页 |
| 3.2 文本去重算法之 IF-IDF 算法 | 第19-21页 |
| 3.2.1 IF-TDF 算法 | 第19-20页 |
| 3.2.2 基于 TF-IDF 相似度算法描述 | 第20-21页 |
| 3.2.3 基于密度的去重算法 | 第21页 |
| 3.3 基于 Simhash 文本快速去重算法 | 第21-27页 |
| 3.3.1 Simhash 算法 | 第22-24页 |
| 3.3.2 Simhash 算法流程图 | 第24-25页 |
| 3.3.3 Simhash 算法应用与海量数据去重 | 第25-27页 |
| 3.4 小结 | 第27-29页 |
| 第4章 实验结果及分析 | 第29-35页 |
| 4.1 Simhash 和 hash 算法比较 | 第29-30页 |
| 4.2 运行时间及压缩比实验分析 | 第30-34页 |
| 4.2.1 运行时间分析 | 第30-31页 |
| 4.2.2 几种算法去重压缩比 | 第31页 |
| 4.2.3 获取文本 Simhash 值实验分析 | 第31-34页 |
| 4.2.4 海量文本 Simhash 实验分析 | 第34页 |
| 4.3 小结 | 第34-35页 |
| 第5章 结论与展望 | 第35-37页 |
| 5.1 结论 | 第35-36页 |
| 5.2 进一步研究方向 | 第36-37页 |
| 参考文献 | 第37-39页 |
| 作者简介及在学期间所取得的科研成果 | 第39-40页 |
| 致谢 | 第40页 |