网页正文提取及去重技术研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 绪论 | 第9-13页 |
| ·研究背景 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·本文工作 | 第11-12页 |
| ·本文组织 | 第12页 |
| ·本章小结 | 第12-13页 |
| 第2章 相关领域综述 | 第13-26页 |
| ·搜索引擎系统架构 | 第13-14页 |
| ·主流网页正文提取技术分析 | 第14-18页 |
| ·基于DOM树的网页正文提取技术 | 第14-17页 |
| ·基于文本及标签分布的网页正文提取技术 | 第17页 |
| ·其它网页正文提取技术 | 第17-18页 |
| ·网页相似性描述 | 第18-20页 |
| ·网页类型分类 | 第18-19页 |
| ·网页相似性分类 | 第19-20页 |
| ·主流网页去重算法分析 | 第20-25页 |
| ·基于Shingling的网页相似算法 | 第20-24页 |
| ·基于LSH的网页相似算法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于最大连续子序列和的网页正文提取算法 | 第26-42页 |
| ·算法设计 | 第26-35页 |
| ·代码过滤 | 第27-28页 |
| ·问题转化 | 第28-32页 |
| ·和序列计算 | 第32-33页 |
| ·正文提取 | 第33-35页 |
| ·本章实验 | 第35-41页 |
| ·实验环境 | 第35页 |
| ·实验数据集 | 第35-37页 |
| ·实验评估 | 第37-41页 |
| ·实验小结 | 第41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于关键长句和预分类的网页去重算法 | 第42-55页 |
| ·网页去重一般流程 | 第42-43页 |
| ·算法设计 | 第43-49页 |
| ·特征码提取 | 第44-46页 |
| ·相似度计算 | 第46-49页 |
| ·本章实验 | 第49-54页 |
| ·实验环境 | 第49-50页 |
| ·实验数据集 | 第50-51页 |
| ·实验评估 | 第51-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-58页 |
| ·总结 | 第55-56页 |
| ·展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间主要的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
