| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 引言 | 第9-10页 |
| 1 绪论 | 第10-20页 |
| 1．1 论文背景 | 第10-12页 |
| 1．1．1 信息过滤是海量信息的需要 | 第10页 |
| 1．1．2 信息过滤是保障信息安全需要 | 第10-11页 |
| 1．1．3 过滤技术的重要意义 | 第11-12页 |
| 1．2 文本过滤的研究现状 | 第12-15页 |
| 1．2．1 文木过滤发展概述 | 第12-13页 |
| 1．2．2 文本过滤的任务描述 | 第13-14页 |
| 1．2．3 文本过滤的与文本检索的关系 | 第14-15页 |
| 1．3 向量空间模型简介 | 第15-17页 |
| 1．3．1 VSM的几个基本概念 | 第15-16页 |
| 1．3．2 VSM的相似度的计算 | 第16-17页 |
| 1．3．3 VSM的优缺点 | 第17页 |
| 1．4 文本过滤常用方法及逻辑模型 | 第17-19页 |
| 1．5 论文的组织结构 | 第19-20页 |
| 2 TREC及自适应过滤 | 第20-35页 |
| 2．1 TREC简介 | 第20-24页 |
| 2．1．1 TREC的数据集 | 第21-22页 |
| 2．1．2 THU实验研究中的主要技术 | 第22-23页 |
| 2．1．3 TREC算法评价 | 第23-24页 |
| 2．2 自适应过滤 | 第24-27页 |
| 2．2．1 自适应过滤的任务描述 | 第24-25页 |
| 2．2．2 自适应过滤的系统结构 | 第25-26页 |
| 2．2．3 自适应过滤的评估 | 第26-27页 |
| 2．3 自适应过滤中的目标优化技术比较 | 第27-35页 |
| 2．3．1 Direct Utility方法 | 第27-28页 |
| 2．3．2 Beta-Gamma方法 | 第28-29页 |
| 2．3．3 Logistic Regression方法 | 第29-30页 |
| 2．3．4 Score Distribution方法 | 第30-31页 |
| 2．3．5 启发式的阈值调整算法 | 第31-32页 |
| 2．3．6 贪心搜索算法(Greedy Search) | 第32-34页 |
| 2．3．7 优化算法的比较和评价 | 第34-35页 |
| 3 基于极大似然估计法的自适应过滤效用指标局部优化方法 | 第35-47页 |
| 3．1 相似度分布模型 | 第35-36页 |
| 3．2 基于极大似然估计法的自适应过滤效用指标局部优化方法 | 第36-47页 |
| 3．2．1 KUN参数分布算法中存在的问题 | 第37-38页 |
| 3．2．2 相似度分布参数的极大似然估计法 | 第38-42页 |
| 3．2．3 利用共扼梯度下降法对参数进行估计 | 第42页 |
| 3．2．4 TREC中极大似然法的使用 | 第42-43页 |
| 3．2．5 局部效用指标的优化技术 | 第43-44页 |
| 3．2．6 基于极大似然估计法的局部效用指标优化方法 | 第44-47页 |
| 4 MMLOR自适应过滤系统试验设计及结果分析 | 第47-58页 |
| 4．1 语料库及特征提取 | 第47-52页 |
| 4．1．1 语料库及说明 | 第47页 |
| 4．1．2 分词的实施 | 第47-49页 |
| 4．1．3 特征提取 | 第49-51页 |
| 4．1．4 特征项权重的计算 | 第51页 |
| 4．1．5 文本的存储方法和压缩 | 第51-52页 |
| 4．2 Rocchio算法 | 第52-54页 |
| 4．3 MMLOR自适应过滤系统的体系结构 | 第54-56页 |
| 4．3．1 过滤系统的体系结构 | 第54-55页 |
| 4．3．2 MMLOR方法在过滤中对阈值调整的示意图 | 第55-56页 |
| 4．4 MMLOR方法算法复杂度分析 | 第56页 |
| 4．5 实验结果分析 | 第56-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-64页 |
| 大连理工大学学位论文版权使用授权书 | 第64页 |
