| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-11页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.3 研究内容 | 第9-10页 |
| 1.4 论文结构 | 第10-11页 |
| 第二章 Deep Web数据源发现和分类概述 | 第11-15页 |
| 2.1 Deep Web数据源发现的重要性 | 第11页 |
| 2.2 Deep Web数据源发现存在的难点 | 第11-12页 |
| 2.3 Deep Web数据集成介绍 | 第12-14页 |
| 2.3.1 Deep Web数据集成的意义 | 第12页 |
| 2.3.2 Deep Web数据集成框架 | 第12-14页 |
| 2.4 本文所采用的方法 | 第14-15页 |
| 第三章 Deep Web查询接口的判定 | 第15-28页 |
| 3.1 查询接口判定的相关研究工作 | 第15页 |
| 3.2 Deep Web查询接口判定的难点 | 第15-16页 |
| 3.3 URL的处理分析 | 第16-18页 |
| 3.3.1 URL的定义 | 第16页 |
| 3.3.2 URL处理分析 | 第16-17页 |
| 3.3.3 URL处理规则 | 第17-18页 |
| 3.4 启发式规则 | 第18页 |
| 3.5 网页表单特征抽取 | 第18-21页 |
| 3.5.1 网页表单的分类 | 第18-19页 |
| 3.5.2 网页表单的描述 | 第19页 |
| 3.5.3 网页表单特征的抽取 | 第19-21页 |
| 3.6 训练Adaboost-Naive Bayes分类器 | 第21-25页 |
| 3.6.1 朴素贝叶斯分类 | 第21页 |
| 3.6.2 朴素贝叶斯分类的原理 | 第21-23页 |
| 3.6.3 采用Adaboost算法提高朴素贝叶斯分类器的性能 | 第23-25页 |
| 3.7 实验结果及分析 | 第25-27页 |
| 3.7.1 实验过程 | 第25-27页 |
| 3.7.2 结果分析 | 第27页 |
| 3.8 本章小结 | 第27-28页 |
| 第四章 Deep Web数据源分类 | 第28-37页 |
| 4.1 Deep Web数据源分类的相关研究 | 第28页 |
| 4.2 特征选择与标准化 | 第28-33页 |
| 4.2.1 网页表单特征选择 | 第28-30页 |
| 4.2.2 标准化 | 第30页 |
| 4.2.3 语义处理 | 第30-31页 |
| 4.2.4 向量空间模型 | 第31-33页 |
| 4.3 KNN分类算法 | 第33-35页 |
| 4.3.1 KNN分类算法原理 | 第33页 |
| 4.3.2 KNN分类算法的优缺点 | 第33-34页 |
| 4.3.3 KNN分类算法的改进 | 第34页 |
| 4.3.4 改进KNN的算法流程 | 第34-35页 |
| 4.4 实验结果与分析 | 第35页 |
| 4.5 本章小结 | 第35-37页 |
| 第五章 总结和展望 | 第37-38页 |
| 5.1 总结 | 第37页 |
| 5.2 展望 | 第37-38页 |
| 致谢 | 第38-39页 |
| 参考文献 | 第39-42页 |
| 作者简介 | 第42页 |
| 攻读硕士学位期间研究成果 | 第42-43页 |