基于Web内容的中文文本信息过滤的研究与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 论文主要工作 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 文本信息过滤概述 | 第17-25页 |
| 2.1 信息过滤的基本概念 | 第17-19页 |
| 2.1.1 信息过滤的定义 | 第17-18页 |
| 2.1.2 过滤系统的组成 | 第18-19页 |
| 2.2 过滤系统的特点及分类 | 第19-22页 |
| 2.2.1 过滤系统的特点 | 第19-20页 |
| 2.2.2 过滤系统的分类 | 第20-22页 |
| 2.3 性能评价指标及与信息检索的关系 | 第22-24页 |
| 2.3.1 过滤系统的性能评价指标 | 第22-23页 |
| 2.3.2 信息过滤与信息检索的关系 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 Web中文文本信息过滤关键技术的分析 | 第25-40页 |
| 3.1 Web文档中文本信息的提取及文本表示 | 第25-32页 |
| 3.1.1 文本信息提取 | 第25-26页 |
| 3.1.2 中文分词算法 | 第26-27页 |
| 3.1.3 特征抽取 | 第27-29页 |
| 3.1.4 文本表示模型 | 第29-32页 |
| 3.2 用户兴趣模板的构建 | 第32-35页 |
| 3.2.1 获取用户信息需求的方法 | 第32-33页 |
| 3.2.2 用户信息需求的表示方法 | 第33-34页 |
| 3.2.3 用户兴趣模板的优化和更新 | 第34-35页 |
| 3.3 文本过滤的几种算法 | 第35-39页 |
| 3.3.1 朴素贝叶斯算法 | 第35页 |
| 3.3.2 KNN算法 | 第35-36页 |
| 3.3.3 支持向量机算法 | 第36-38页 |
| 3.3.4 基于向量空间模型(VSM)的算法 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 Web文本信息过滤系统模型的设计与实现 | 第40-53页 |
| 4.1 模型总体设计 | 第40-43页 |
| 4.1.1 多层次的信息过滤思想 | 第40-41页 |
| 4.1.2 模型框架和说明 | 第41-43页 |
| 4.2 模型各个部分的实现和说明 | 第43-52页 |
| 4.2.1 Web文本提取与表示 | 第43-47页 |
| 4.2.2 特征词典的构造 | 第47-50页 |
| 4.2.3 匹配过滤方法 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 5 实验与结果分析 | 第53-60页 |
| 5.1 实验数据与环境 | 第53-54页 |
| 5.1.1 数据集 | 第53页 |
| 5.1.2 实验环境 | 第53-54页 |
| 5.2 实验方案 | 第54-59页 |
| 5.2.1 评估标准 | 第54页 |
| 5.2.2 过滤阈值的确定 | 第54-55页 |
| 5.2.3 实验与结果分析 | 第55-59页 |
| 5.3 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 作者简历 | 第64-66页 |
| 学位论文数据集 | 第66页 |
