基于决策树和贝叶斯算法的垃圾网页检测的研究和实现
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题背景 | 第9-12页 |
| ·垃圾网页的定义 | 第9-10页 |
| ·垃圾网页检测算法的研究现状 | 第10-11页 |
| ·网页过滤技术的主要方向 | 第11-12页 |
| ·本课题的目的和意义 | 第12-13页 |
| ·本文主要工作 | 第13-14页 |
| ·本文的组织结构 | 第14-15页 |
| 第2章 获取垃圾网页特征的相关知识及技术 | 第15-27页 |
| ·搜索引擎排序算法 | 第15-18页 |
| ·向量空间模型（VSM） | 第16-17页 |
| ·PageRank模型 | 第17-18页 |
| ·特征向量的降维 | 第18-22页 |
| ·改进的χ2统计量和模式聚合的文本降维原理 | 第19页 |
| ·改进χ2统计量和模式聚合的文本降维流程 | 第19-21页 |
| ·改进χ2统计量和模式聚合的实例测试分析 | 第21-22页 |
| ·分词技术分析 | 第22-25页 |
| ·基于内容匹配的中文分词方法 | 第22-24页 |
| ·基于统计的中文分词方法 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 第3章 基于决策树的搜索引擎垃圾网页检测技术 | 第27-43页 |
| ·决策树的基本思想 | 第27-28页 |
| ·ID3 算法 | 第28-31页 |
| ·ID3 算法基本原理 | 第28-29页 |
| ·ID3 算法的优缺点分析 | 第29-31页 |
| ·搜索引擎垃圾网页作弊技术分析 | 第31-32页 |
| ·一种改进的ID3 算法 | 第32-39页 |
| ·ID3 算法主要改进思想 | 第32-35页 |
| ·搜索引擎垃圾网页特征向量的选取 | 第35-39页 |
| ·实例分析 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于贝叶斯的不良信息垃圾网页检测技术 | 第43-57页 |
| ·贝叶斯分类 | 第43-47页 |
| ·贝叶斯公式 | 第43-45页 |
| ·一般贝叶斯分类器 | 第45-46页 |
| ·朴素贝叶斯分类器 | 第46-47页 |
| ·几种改进的朴素贝叶斯分类器 | 第47-50页 |
| ·树扩展的朴素贝叶斯分类器(TAN) | 第47-48页 |
| ·隐藏扩展的朴素贝叶斯分类器(HAN) | 第48-49页 |
| ·属性选择的朴素贝叶斯分类器(ASN) | 第49-50页 |
| ·一种基于改进χ2统计的ASN方法 | 第50-54页 |
| ·改进ASN方法的基本思想 | 第51-52页 |
| ·基于改进χ2统计的ASN方法的实现流程 | 第52-54页 |
| ·不良信息垃圾网页的具体检测策略 | 第54-56页 |
| ·基于改进ASN方法的学习阶段 | 第54-55页 |
| ·基于改进ASN方法的分类阶段 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 整合两种算法的检测系统的实现 | 第57-67页 |
| ·系统总体设计 | 第57页 |
| ·决策树模块的设计与实现 | 第57-59页 |
| ·贝叶斯模块的设计与实现 | 第59-62页 |
| ·数据库的设计 | 第62-63页 |
| ·分词模块的实现 | 第63-66页 |
| ·反馈学习及查重模块 | 第66页 |
| ·本章小结 | 第66-67页 |
| 第6章 实验及结果分析 | 第67-73页 |
| ·实验环境 | 第67页 |
| ·决策树模块的实验分析 | 第67-70页 |
| ·数据采集 | 第67-68页 |
| ·实验及结果比较 | 第68-70页 |
| ·样本数量和阈值对贝叶斯算法的影响 | 第70-71页 |
| ·系统运行速度测试 | 第71页 |
| ·本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间所发表的学术论文 | 第79-81页 |
| 致谢 | 第81页 |
