| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-14页 |
| ·课题的目的和意义 | 第9页 |
| ·国内外研究现状 | 第9-12页 |
| ·本文研究的内容 | 第12-14页 |
| 第2章 网页特点及分装器介绍 | 第14-19页 |
| ·概述 | 第14-15页 |
| ·网页结构的特点 | 第15页 |
| ·分装器及分装器的生成 | 第15-18页 |
| ·分装器 | 第15-17页 |
| ·分装器的归纳学习 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第3章 网页链接抽取方法 | 第19-32页 |
| ·概述 | 第19页 |
| ·统一资源标识和正则表达式 | 第19-24页 |
| ·统一资源标识 | 第19-21页 |
| ·正则表达式介绍 | 第21-24页 |
| ·基于规则机器学习的网页链接的抽取方法 | 第24-31页 |
| ·网页链接抽取过程 | 第24-29页 |
| ·实验结果与分析 | 第29-30页 |
| ·基于规则机器学习的网页链接抽取方法的特点 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 网页正文抽取方法 | 第32-46页 |
| ·网页正文抽取介绍 | 第32-33页 |
| ·当前网页正文抽取方法存在的问题和困难 | 第32-33页 |
| ·本文采用的网页正文抽取方法 | 第33页 |
| ·基于线性化的段落划分聚类的网页正文抽取方法 | 第33-41页 |
| ·网页源代码线性化重构 | 第34-36页 |
| ·Html噪声标签过滤 | 第36-37页 |
| ·原始数据集过滤划分 | 第37-38页 |
| ·段落聚类生成网页正文脉络 | 第38-40页 |
| ·吸收伪噪声段落生成正文 | 第40-41页 |
| ·网页正文抽取算法 | 第41-45页 |
| ·网页代码线性化重构算法 | 第41-42页 |
| ·计算段落兴趣度的算法 | 第42页 |
| ·正文段落集合特征的抽取算法 | 第42-45页 |
| ·吸收伪噪声段落算法 | 第45页 |
| ·本章小结 | 第45-46页 |
| 第5章 网页正文抽取实验结果与分析 | 第46-61页 |
| ·概述 | 第46页 |
| ·评测方法 | 第46-47页 |
| ·实验结果与分析 | 第47-57页 |
| ·过滤器兴趣度阈值的选择对网页正文抽取准确度的影响 | 第47-49页 |
| ·段落聚类中段落距离阈值的确定及对系统准确率的影响 | 第49-51页 |
| ·系统准确度的统计结果 | 第51-53页 |
| ·网页正文中噪声的分布情况及系统对三种噪声处理结果 | 第53-54页 |
| ·错误页面的实例分析 | 第54-56页 |
| ·系统在线和离线抽取时间性能的对比结果 | 第56-57页 |
| ·与前人工作比较 | 第57-59页 |
| ·本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间发表的学术论文 | 第67-68页 |
| 哈尔滨工业大学硕士学位论文原创性声明 | 第68页 |
| 哈尔滨工业大学硕士学位论文使用授权书 | 第68页 |
| 哈尔滨工业大学硕士学位涉密论文管理 | 第68-69页 |
| 致谢 | 第69页 |
