| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-10页 |
| ·课题研究背景和意义 | 第7页 |
| ·基于内容的网页安全研究现状 | 第7-8页 |
| ·课题主要研究工作 | 第8-9页 |
| ·论文的结构 | 第9-10页 |
| 第二章 网页内容安全监管中网页信息预处理技术研究 | 第10-29页 |
| ·Web 主题内容提取 | 第10-18页 |
| ·利用HTML 标记的分布规律找出主题 | 第11页 |
| ·利用DOM 树找出主题 | 第11-12页 |
| ·利用模板检测找出主题 | 第12-13页 |
| ·利用页面的视觉特征找出主题 | 第13-14页 |
| ·利用Table 标记找出主题 | 第14-15页 |
| ·本系统采用的提取方法 | 第15-18页 |
| ·中文词的切分技术 | 第18-20页 |
| ·形式分词方法 | 第18-19页 |
| ·语法分词方法 | 第19页 |
| ·语义分词方法 | 第19-20页 |
| ·网页特征的表示 | 第20-24页 |
| ·布尔模型（Boolean?Model） | 第21-22页 |
| ·概率模型（Probabilistic?Model） | 第22页 |
| ·向量空间模型（Vector?Space?Model,?VSM） | 第22-24页 |
| ·特征降维技术 | 第24-29页 |
| ·词频方法 | 第25页 |
| ·互信息方法 | 第25-26页 |
| ·信息增益方法 | 第26-27页 |
| ·x~2 开方统计方法 | 第27-28页 |
| ·特征抽取方法 | 第28-29页 |
| 第三章 基于内容的网络安全分类常用技术研究 | 第29-37页 |
| ·朴素贝叶斯算法 | 第29-30页 |
| ·基于VSM 的向量距离分类法 | 第30-31页 |
| ·KNN(最K 近邻)算法 | 第31-32页 |
| ·支持向量机算法 | 第32页 |
| ·神经网络算法 | 第32页 |
| ·决策树分类算法 | 第32-33页 |
| ·其他的分类算法 | 第33-34页 |
| ·文本分类方法质量评价 | 第34-35页 |
| ·影响分类质量的因素 | 第34-35页 |
| ·分类质量评价方法 | 第35页 |
| ·小结 | 第35-37页 |
| 第四章 支持向量机技术及其在内容安全监管上的应用 | 第37-48页 |
| ·统计学习理论 | 第37-39页 |
| ·VC 维 | 第38页 |
| ·推广性的界 | 第38-39页 |
| ·结构风险最小化 | 第39页 |
| ·支持向量机SVM | 第39-41页 |
| ·广义最优分类面 | 第39-41页 |
| ·核函数 | 第41页 |
| ·支持向量机的变形算法 | 第41-43页 |
| ·C-SVM 算法 | 第42页 |
| ·V-SVM 算法 | 第42-43页 |
| ·One-class SVM 算法 | 第43页 |
| ·反馈学习机制的支持向量机及改进 | 第43-46页 |
| ·反馈学习机制的支持向量机 | 第43-44页 |
| ·基于KKT 条件改进的反馈学习机制支持向量机 | 第44-46页 |
| ·基于KKT 条件的反馈算法流程 | 第46页 |
| ·支持向量机在网页内容安全监管方面的应用 | 第46-48页 |
| 第五章 使用支持向量机进行网页内容安全监管实验与分析 | 第48-58页 |
| ·实验过程 | 第48-57页 |
| ·基于反馈学习支持向量机的网页内容安全监管系统总体框架 | 第48页 |
| ·网页内容安全监管实验语料的收集 | 第48-49页 |
| ·网页内容安全监管系统对网页的预处理 | 第49-54页 |
| ·内容安全监管系统中支持向量机的训练 | 第54-55页 |
| ·内容安全监管系统中支持向量机的反馈学习 | 第55页 |
| ·网页内容安全监管系统实验过程与结果 | 第55-57页 |
| ·分类实验结果分析 | 第57页 |
| ·小结 | 第57-58页 |
| 第六章 结束语 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 研究成果 | 第63-64页 |
