| 目录 | 第4-6页 |
| TABLE OF CONTENTS | 第6-8页 |
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 Deep Web自适应抽取面临的问题 | 第13-14页 |
| 1.3 研究内容及贡献 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 本文贡献 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第2章 Deep Web数据抽取相关研究 | 第17-26页 |
| 2.1 Deep Web数据抽取过程 | 第17-18页 |
| 2.2 Deep Web数据抽取方法分类 | 第18-22页 |
| 2.2.1 手工构造的Deep Web数据抽取方法 | 第19页 |
| 2.2.2 半自动的Deep Web数据抽取方法 | 第19-20页 |
| 2.2.3 全自动的Deep Web数据抽取方法 | 第20-22页 |
| 2.3 自适应的Deep Web抽取相关研究现状 | 第22-25页 |
| 2.4 面临的问题 | 第25-26页 |
| 第3章 基于最小代价脚本编辑的Deep Web数据抽取 | 第26-39页 |
| 3.1 引言 | 第26-29页 |
| 3.2 问题定义 | 第29-31页 |
| 3.3 基于最小代价脚本编辑的Deep Web数据抽取模型 | 第31-33页 |
| 3.3.1 Deep Web数据抽取框架 | 第31-32页 |
| 3.3.2 Deep Web数据抽取框架中各模块功能 | 第32-33页 |
| 3.4 基于最小代价脚本编辑的数据抽取算法 | 第33-36页 |
| 3.4.1 编辑脚本代价 | 第34页 |
| 3.4.2 包装器抽取置信度 | 第34-35页 |
| 3.4.3 脚本编辑算法 | 第35-36页 |
| 3.5 实验 | 第36-39页 |
| 3.5.1 数据集 | 第36-37页 |
| 3.5.2 实验结果与分析 | 第37-39页 |
| 第4章 基于自底向上方式生成最小包装器 | 第39-44页 |
| 4.1 对包装器进行特化操作 | 第40-41页 |
| 4.2 最小的候选包装器 | 第41页 |
| 4.3 生成最小的包装器算法实现 | 第41-43页 |
| 4.4 实验 | 第43-44页 |
| 第5章 Deep Web数据抽取中自适应包装器的实现 | 第44-51页 |
| 5.1 基于自举法(Bootstrapping)的领域自适应抽取 | 第44-45页 |
| 5.2 学习模型 | 第45-46页 |
| 5.3 实验 | 第46-51页 |
| 5.3.1 数据集 | 第47页 |
| 5.3.2 评价标准 | 第47-48页 |
| 5.3.3 实验结果与分析 | 第48-51页 |
| 5.3.3.1 评估包装器的健壮性 | 第48-49页 |
| 5.3.3.2 与已有的数据抽取方法的对比 | 第49-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文目录 | 第58-59页 |
| 攻读学位期间参与科研项目情况 | 第59-60页 |
| 攻读学位期间获奖情况 | 第60-61页 |
| 学位论文评闻及答辩情况表 | 第61页 |
