| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·问题的提出 | 第9页 |
| ·国内外研究历史及发展现状 | 第9-13页 |
| ·信息抽取研究现状 | 第9-11页 |
| ·基于隐马尔可夫模型的web 信息抽取研究现状 | 第11-13页 |
| ·信息抽取技术概述 | 第13-14页 |
| ·定义 | 第13页 |
| ·评价标准 | 第13页 |
| ·存在的问题 | 第13-14页 |
| ·本文研究的主要内容 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第二章 基于隐马尔可夫模型和遗传算法的web 信息抽取概述 | 第16-40页 |
| ·隐马尔可夫模型简介 | 第16-22页 |
| ·隐马尔可夫模型的构成 | 第17-18页 |
| ·隐马尔可夫模型的主要学习算法 | 第18-22页 |
| ·基于隐马尔可夫模型的web 文本信息抽取的应用框架 | 第22-23页 |
| ·信息抽取模块 | 第22-23页 |
| ·隐马尔可夫模型的应用 | 第23-29页 |
| ·数据预处理 | 第25-26页 |
| ·构建隐马尔可夫模型 | 第26-27页 |
| ·实验评价标准 | 第27-28页 |
| ·实验结果及分析 | 第28-29页 |
| ·遗传算法概述 | 第29-33页 |
| ·遗传算法的基本概念和构成 | 第29-31页 |
| ·遗传算法的步骤和流程 | 第31-33页 |
| ·遗传算法的基本技术 | 第33页 |
| ·基于遗传算法和隐马尔可夫模型的信息抽取方法研究 | 第33-34页 |
| ·基于遗传算法-隐马尔可夫模型的web 文本信息抽取实现 | 第34-39页 |
| ·参数设定 | 第34-36页 |
| ·基于遗传算法-隐马尔可夫模型的web 文本信息抽取过程 | 第36页 |
| ·遗传算法-隐马尔可夫模型算法 | 第36-37页 |
| ·实验分析 | 第37-39页 |
| ·小结 | 第39-40页 |
| 第三章 模拟退火算法在web 信息抽取中的研究 | 第40-56页 |
| ·定义与概念 | 第40页 |
| ·局部搜索算法 | 第40-41页 |
| ·局部搜索算法的特点 | 第40-41页 |
| ·改善算法性能的途径 | 第41页 |
| ·模拟退火算法简介 | 第41-47页 |
| ·模拟退火算法基本思想 | 第41-43页 |
| ·模拟退火算法结构与流程 | 第43页 |
| ·模拟退火算法的关键参数 | 第43-47页 |
| ·基于模拟退火算法和隐马尔可夫模型的Web 信息抽取方法研究 | 第47-48页 |
| ·基于模拟退火算法-隐马尔可夫模型的web 文本信息抽取实现 | 第48-54页 |
| ·参数控制 | 第48-51页 |
| ·模拟退火算法-隐马尔可夫模型算法步骤 | 第51-52页 |
| ·实验分析 | 第52-53页 |
| ·实验结果 | 第53-54页 |
| ·基于混合遗传退火算法的web 信息抽取研究 | 第54-55页 |
| ·遗传算法和模拟退火算法混合的特点 | 第54-55页 |
| ·基于混合遗传退火算法的web 信息抽取模型 | 第55页 |
| ·小结 | 第55-56页 |
| 第四章 混合遗传退火算法在web 信息抽取中的应用 | 第56-65页 |
| ·两种优化算法的结合点 | 第56-57页 |
| ·模拟退火算法的特性 | 第57-58页 |
| ·模拟退火算法和遗传算法之间的差异 | 第58-59页 |
| ·混合遗传退火算法的效率分析 | 第59-60页 |
| ·混合遗传退火算法的流程图 | 第60-61页 |
| ·基于混合遗传退火算法-隐马尔可夫模型的web 文本信息抽取方法 | 第61-62页 |
| ·数据预处理 | 第61-62页 |
| ·混合遗传退火算法步骤 | 第62页 |
| ·实验分析 | 第62-64页 |
| ·小结 | 第64-65页 |
| 第五章 web 信息抽取中的实验数据对比分析 | 第65-69页 |
| ·基于隐马尔可夫模型的实验结果分析 | 第65-66页 |
| ·引入优化算法后的实验结果对比分析 | 第66-67页 |
| ·三种算法的实验结果对比分析 | 第67-68页 |
| ·小结 | 第68-69页 |
| 第六章 结论与展望 | 第69-71页 |
| ·结论 | 第69-70页 |
| ·展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 附图索引 | 第75-76页 |
| 附表索引 | 第76-77页 |
| 攻硕期间取得的研究成果 | 第77-78页 |
