基于商空间理论的海量信息检索模型的研究

摘要	第1-7页
Abstract	第7-10页
目录	第10-13页
第一章 绪论	第13-32页
·论文研究的背景和意义	第13-14页
·海量信息检索概述	第14-20页
·信息检索形式化描述	第14-15页
·信息检索模型	第15-17页
·海量信息的检索方法	第17-20页
·研究现状及典型信息检索系统	第20-26页
·研究现状	第20-23页
·典型的信息检索系统简介	第23-26页
·本文主要研究内容	第26-28页
·主要创新点	第28-30页
·本文的组织结构	第30-32页
第二章 基于商空间理论的层次检索模型	第32-41页
·商空间理论的基本概念	第32-34页
·分层递阶模型	第34-35页
·信息库的分层递阶结构	第35-37页
·层次检索模型	第37-39页
·层次检索模型的系统结构	第39-40页
·本章小结	第40-41页
第三章 分层递阶结构信息库的构造方法	第41-64页
·文档向量的预处理技术概述	第41-46页
·分词	第42-43页
·特征词提取	第43-45页
·文档的向量表示方法	第45-46页
·信息库的分层递阶结构的构造方法	第46-54页
·基于Agent的半自动构造方法	第46-51页
·基于聚类的信息库结构的构造	第51-53页
·基于本体的信息库结构的表示	第53-54页
·基于本体的等价类的构造	第54-61页
·本体结构的等价类的定义	第54-55页
·文档的相似性判别	第55-56页
·不完备信息系统中文档的相似性度量	第56-61页
·分层递阶结构信息库的构造方法	第61-62页
·本章小结	第62-64页
第四章 基于SVM的海量多类别分类方法	第64-79页
·支持向量机的多分类问题	第64-70页
·支持向量机概述	第64-65页
·多类支持向量机	第65-67页
·基于遗传算法的ECC-SVM	第67-70页
·基于局部平均的去噪与减样方法	第70-78页
·传统减样方法分析	第71-72页
·k近邻距离与样本的重要性评价	第72-73页
·离群点噪声样本的识别	第73-74页
·大规模训练样本去噪与减样算法的实现	第74-75页
·距离模型与去噪减样效果的仿真试验	第75-78页
·本章小结	第78-79页
第五章 个性化层次检索	第79-95页
·基于用户兴趣的个性化层次检索模型	第79-87页
·个性化信息检索的定义	第79-80页
·个性化信息检索模型	第80-83页
·用户兴趣模式的获取	第83-84页
·个性化层次检索模型	第84-87页
·利用日志信息动态获取用户兴趣模式的方法	第87-94页
·WEB站点模型及日志格式	第87-89页
·蚁群算法参数的定义	第89-91页
·基于蚁群算法的多层次用户兴趣模式获取算法	第91-92页
·用户兴趣模式获取方法的实验仿真	第92-94页
·本章小结	第94-95页
第六章 海量信息库的层次检索系统实现	第95-101页
·系统结构	第95-96页
·模块说明	第96-98页
·系统模型实现	第98-100页
·本章小结	第100-101页
第七章 总结	第101-107页
·本文工作总结	第102-103页
·本文主要的贡献和创新点	第103-105页
·下一步的研究工作	第105-107页
参考文献	第107-122页
附件A:实验信息库的三层结构	第122-124页
附录A:图索引	第124-125页
附录B:表索引	第125-126页
Appendix A:Figure index	第126-128页
Appendix B:Table index	第128-129页
致谢	第129-130页
在读期间发表的学术论文与取得的研究成果	第130-131页