互联网内容监管系统关键技术的研究
| 中文摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第7-10页 |
| 1 绪论 | 第10-20页 |
| 1．1 研究背景 | 第10-14页 |
| 1．1．1 互联网的兴起 | 第10-11页 |
| 1．1．2 有害信息污染 | 第11-14页 |
| 1．2 研究现状 | 第14-16页 |
| 1．3 本文研究目标 | 第16-17页 |
| 1．4 本文的内容组织 | 第17-20页 |
| 2 互联网内容监管系统模型设计 | 第20-28页 |
| 2．1 需求分析 | 第20页 |
| 2．2 监管模型分析 | 第20-25页 |
| 2．2．1 被动监管模型分析 | 第21-22页 |
| 2．2．2 主动监管模型分析 | 第22-24页 |
| 2．2．3 被动模型和主动模型的应用环境 | 第24-25页 |
| 2．3 双层结构模型 | 第25-26页 |
| 2．4 小结 | 第26-28页 |
| 3 高效多关键字匹配算法研究 | 第28-58页 |
| 3．1 概述 | 第28-31页 |
| 3．2 现有多关键字匹配算法简介 | 第31-40页 |
| 3．2．1 DFSA算法 | 第31-34页 |
| 3．2．2 FS算法 | 第34-37页 |
| 3．2．3 SunWu算法 | 第37-40页 |
| 3．3 快速多关键字匹配算法：QMs | 第40-51页 |
| 3．3．1 算法描述 | 第41-46页 |
| 3．3．1．1 预处理过程 | 第42-43页 |
| 3．3．1．2 匹配过程 | 第43-45页 |
| 3．3．1．3 复杂度分析 | 第45-46页 |
| 3．3．2 实验结果与分析 | 第46-51页 |
| 3．3．2．1 实验准备 | 第46页 |
| 3．3．2．2 实验结果 | 第46-49页 |
| 3．3．2．3 结果分析 | 第49-51页 |
| 3．4 关键字表达式匹配算法 | 第51-56页 |
| 3．4．1 关键字表达式匹配概述 | 第51-52页 |
| 3．4．2 计数算法 | 第52-54页 |
| 3．4．3 基于QMS的改进关键字表达式匹配算法 | 第54-56页 |
| 3．5 小结 | 第56-58页 |
| 4 中文文本分类中特征选取算法研究 | 第58-74页 |
| 4．1 概述 | 第58-59页 |
| 4．2 特征选取算法简介 | 第59-62页 |
| 4．2．1 文档频率 | 第59-60页 |
| 4．2．2 信息增益 | 第60页 |
| 4．2．3 CHI统计 | 第60-61页 |
| 4．2．4 互信息 | 第61-62页 |
| 4．3 效果测试与分析 | 第62-69页 |
| 4．3．1 实验设置 | 第62-66页 |
| 4．3．1．1 实验流程 | 第62-63页 |
| 4．3．1．2 文档表示 | 第63页 |
| 4．3．1．3 实验分类器选用 | 第63-65页 |
| 4．3．1．4 数据集 | 第65页 |
| 4．3．1．5 性能评价 | 第65-66页 |
| 4．3．2 实验结果 | 第66-67页 |
| 4．3．3 结果分析 | 第67-69页 |
| 4．4 组合特征选取算法 | 第69-72页 |
| 4．4．1 基本思想 | 第69页 |
| 4．4．2 算法描述 | 第69-70页 |
| 4．4．3 实验结果与分析 | 第70-72页 |
| 4．5 小结 | 第72-74页 |
| 5 SVM的快速训练算法研究 | 第74-98页 |
| 5．1 统计学习理论简介 | 第74-83页 |
| 5．1．1 概述 | 第74-76页 |
| 5．1．2 结构风险最小化归纳原理 | 第76-78页 |
| 5．1．3 支持向量机 | 第78-83页 |
| 5．2 现有SVM训练算法简介 | 第83-86页 |
| 5．2．1 块算法 | 第84页 |
| 5．2．2 工作集算法 | 第84-86页 |
| 5．3 三元序贯解析优化训练算法：3SAO | 第86-94页 |
| 5．3．1 优化三个拉格朗日乘子 | 第88-91页 |
| 5．3．2 缓存和选择被优化乘子的机制 | 第91页 |
| 5．3．3 优化后的更新 | 第91-92页 |
| 5．3．4 复杂性分析 | 第92页 |
| 5．3．5 算法伪代码 | 第92-94页 |
| 5．4 实验结果与分析 | 第94-96页 |
| 5．5 小结 | 第96-98页 |
| 6 语义SVM及其在线学习算法 | 第98-110页 |
| 6．1 概述 | 第98-100页 |
| 6．2 语义SVM | 第100-102页 |
| 6．2．1 算法描述 | 第100-101页 |
| 6．2．2 语义中心集的生成 | 第101-102页 |
| 6．3 语义SVM的在线学习 | 第102-106页 |
| 6．3．1 算法框架 | 第103-104页 |
| 6．3．2 基于3SAO的减量和增量学习 | 第104-106页 |
| 6．4 实验结果与分析 | 第106-108页 |
| 6．5 小结 | 第108-110页 |
| 7 原型系统的设计与实现 | 第110-120页 |
| 7．1 需求概述 | 第110-111页 |
| 7．2 总体设计与系统架构 | 第111-113页 |
| 7．3 系统集成实现 | 第113-116页 |
| 7．3．1 接口分析 | 第113-114页 |
| 7．3．2 系统流程 | 第114-116页 |
| 7．4 原型系统测试 | 第116-118页 |
| 7．5 小结 | 第118-120页 |
| 8 结束语 | 第120-124页 |
| 8．1 本文工作总结 | 第120-121页 |
| 8．2 今后研究工作 | 第121-124页 |
| 参考文献 | 第124-132页 |
| 致谢 | 第132-134页 |
| 附录 | 第134-135页 |
