| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 研究目标和内容 | 第15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 相关技术介绍 | 第17-25页 |
| 2.1 主题网络爬虫 | 第17-20页 |
| 2.1.1 传统网络爬虫简介 | 第17-18页 |
| 2.1.2 主题网络爬虫原理 | 第18页 |
| 2.1.3 主题网络爬虫的设计 | 第18-20页 |
| 2.2 自然语言理解技术概述 | 第20-23页 |
| 2.2.1 自然语言理解的简介 | 第20-21页 |
| 2.2.2 自然语言理解的模型与分类 | 第21-22页 |
| 2.2.3 自然语言理解的关键技术 | 第22-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第3章 实时交通信息的搜索方法 | 第25-34页 |
| 3.1 官网交通信息抓取方法 | 第25-29页 |
| 3.1.1 交通信息官网 | 第25-28页 |
| 3.1.2 地理词库扩充 | 第28-29页 |
| 3.2 论坛交通信息抓取方法 | 第29-31页 |
| 3.2.1 论坛的特点 | 第29页 |
| 3.2.2 论坛交通信息抓取方法分析 | 第29-30页 |
| 3.2.3 论坛交通信息抓取实现过程 | 第30-31页 |
| 3.3 微博交通信息抓取方法 | 第31-33页 |
| 3.3.1 微博交通信息抓取技术路线 | 第31-32页 |
| 3.3.2 微博交通信息抓取实现过程 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 面向交通信息的语义理解方法 | 第34-47页 |
| 4.1 面向交通信息的自然语言理解技术流程 | 第34-36页 |
| 4.1.1 自然语言理解技术流程 | 第34-35页 |
| 4.1.2 面向交通信息的自然语理解流程 | 第35-36页 |
| 4.2 交通信息描述词库及数据结构设计 | 第36-38页 |
| 4.3 改进的最大匹配分词算法描述 | 第38-41页 |
| 4.3.1 传统的最大匹配算法描述 | 第38页 |
| 4.3.2 交通信息分词算法要求 | 第38-39页 |
| 4.3.3 改进的最大匹配算法描述 | 第39-41页 |
| 4.4 基于LUCENE的最大匹配算法实现 | 第41-44页 |
| 4.4.1 LUCENE系统结构和分词机制 | 第41-42页 |
| 4.4.2 基于LUCENE的改进最大匹配算法实现 | 第42-44页 |
| 4.5 基于模版规则的自然语义理解方法 | 第44-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 交通信息的搜索与语义理解的实验平台构建 | 第47-53页 |
| 5.1 引言 | 第47页 |
| 5.2 实验平台的构建 | 第47-49页 |
| 5.2.1 实验平台开发工具 | 第47页 |
| 5.2.2 实验平台的设计 | 第47-49页 |
| 5.3 实验方案 | 第49页 |
| 5.3.1 实验性能评估标准 | 第49页 |
| 5.3.2 实验环境 | 第49页 |
| 5.4 实验结果与分析 | 第49-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间参加的科研项目和成果 | 第59页 |