| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1. 研究背景及意义 | 第10-11页 |
| 1.2. 国内外研究现状 | 第11-12页 |
| 1.3. 本文的工作与创新 | 第12-13页 |
| 1.4. 论文结构 | 第13-14页 |
| 第二章 Web图片过滤相关技术研究 | 第14-29页 |
| 2.1. Web广告图片特征提取 | 第14-16页 |
| 2.1.1. 网络广告特点 | 第14-15页 |
| 2.1.2. 广告图片特点 | 第15-16页 |
| 2.2. HTML DOM属性解析 | 第16-21页 |
| 2.2.1. Web页面结构分析 | 第16-18页 |
| 2.2.2. DOM树结构分析 | 第18-21页 |
| 2.3. HTTP透明代理技术 | 第21-24页 |
| 2.3.1. 代理服务器 | 第21-22页 |
| 2.3.2. HTTP代理服务器 | 第22-24页 |
| 2.4. 内容过滤技术研究 | 第24-26页 |
| 2.4.1. ICAP协议概述 | 第24页 |
| 2.4.2. ICAP工作模式 | 第24-26页 |
| 2.5. 基于机器学习的分类技术研究 | 第26-28页 |
| 2.5.1. 分类模型 | 第26-27页 |
| 2.5.2. 分类算法 | 第27-28页 |
| 2.6. 本章小结 | 第28-29页 |
| 第三章 基于DOM属性的广告图片过滤技术研究 | 第29-44页 |
| 3.1. 基于DOM属性的广告图片过滤模型 | 第29-30页 |
| 3.2. 广告图片DOM属性特征提取 | 第30-33页 |
| 3.2.1. 特征提取 | 第30-32页 |
| 3.2.2. 特征提取流程 | 第32-33页 |
| 3.3. 广告图片关键字过滤技术 | 第33-37页 |
| 3.3.1. 中文分词算法分析 | 第34-36页 |
| 3.3.2. 基于正向最大匹配分词算法实现 | 第36-37页 |
| 3.4. 基于SVM算法的广告图片识别技术 | 第37-42页 |
| 3.4.1. SVM算法原理 | 第37-39页 |
| 3.4.2. SVM分类模型评价标准 | 第39-40页 |
| 3.4.3. SVM算法仿真 | 第40-42页 |
| 3.5. 本章小结 | 第42-44页 |
| 第四章 基于DOM属性的广告图片过滤系统设计与实现 | 第44-61页 |
| 4.1. 系统总体设计 | 第44-47页 |
| 4.2. 透明代理的设计与实现 | 第47-53页 |
| 4.2.1. Squid代理 | 第47-48页 |
| 4.2.2. Squid透明代理实现 | 第48-50页 |
| 4.2.3. Squid-ICAP架构的设计与实现 | 第50-53页 |
| 4.3. ICAP服务器的设计与实现 | 第53-56页 |
| 4.3.1. ICAP服务器的设计与实现 | 第53-55页 |
| 4.3.2. 过滤规则要求 | 第55-56页 |
| 4.4. 关键功能模块的设计与实现 | 第56-60页 |
| 4.4.1. DOM属性解析模块的设计与实现 | 第56-57页 |
| 4.4.2. 特征提取模块的设计与实现 | 第57页 |
| 4.4.3. SVM训练模块的设计与实现 | 第57-58页 |
| 4.4.4. 过滤返回模块的设计与实现 | 第58页 |
| 4.4.5. 日志记录模块设计与实现 | 第58-59页 |
| 4.4.6. 数据库设计与实现 | 第59-60页 |
| 4.5. 本章小结 | 第60-61页 |
| 第五章 基于DOM属性的广告图片过滤系统实验结果分析 | 第61-68页 |
| 5.1. 实验环境 | 第61-62页 |
| 5.2. 实验数据流向 | 第62-63页 |
| 5.3. 实验过程与结果分析 | 第63-67页 |
| 5.4. 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1. 论文主要工作 | 第68页 |
| 6.2. 进一步展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |
