| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 课题国内外研究现状 | 第11-12页 |
| 1.3 研究内容与组织结构 | 第12-14页 |
| 第2章 理论知识与关键技术概述 | 第14-28页 |
| 2.1 引言 | 第14页 |
| 2.2 网页正文文本提取算法 | 第14-17页 |
| 2.2.1 Html页面组成结构的特点 | 第14-15页 |
| 2.2.2 基于去除html标签的正文选取算法 | 第15页 |
| 2.2.3 基于DOM树的正文提取算法 | 第15-16页 |
| 2.2.4 基于视觉区域的正文提取算法 | 第16-17页 |
| 2.3 网页正文相似度计算算法 | 第17-19页 |
| 2.3.1 I-Match算法 | 第17-18页 |
| 2.3.2 Shingling算法 | 第18-19页 |
| 2.3.3 SpotSig算法 | 第19页 |
| 2.4 网页正文文本分类算法 | 第19-25页 |
| 2.4.1 文本分类相关概念 | 第19-20页 |
| 2.4.2 文本分类基本处理流程 | 第20-21页 |
| 2.4.3 文本预处理项目 | 第21页 |
| 2.4.4 经典文本特征选择方法 | 第21-22页 |
| 2.4.5 文本向量化模型 | 第22-23页 |
| 2.4.6 经典文本分类算法 | 第23-25页 |
| 2.5 基于HADOOP的MAPREDUCE并行原理 | 第25-27页 |
| 2.5.1 作业角色 | 第25-26页 |
| 2.5.2 编程模型 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于最长连续串的正文提取算法 | 第28-38页 |
| 3.1 相关定义和概念 | 第28-29页 |
| 3.2 内容提取基本原理 | 第29-31页 |
| 3.3 多正文网页的处理 | 第31-33页 |
| 3.4 实验结果与分析 | 第33-37页 |
| 3.4.1 实验环境 | 第33页 |
| 3.4.2 最大连续子串正文选取算法实验 | 第33-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于局部有序的SIMHASH去重算法 | 第38-49页 |
| 4.1 引言 | 第38页 |
| 4.2 SIMHASH算法分析 | 第38-40页 |
| 4.3 SIMHASH算法的局部有序改进 | 第40-42页 |
| 4.4 改进SIMHASH算法的并行化 | 第42-44页 |
| 4.5 实验结果与分析 | 第44-48页 |
| 4.5.1 实验环境 | 第44-45页 |
| 4.5.2 局部有序的Simhash算法性能对比实验 | 第45-46页 |
| 4.5.3 局部有序的Simhash算法的并行化实验 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 基于倒排加速的NB分类并行化算法 | 第49-77页 |
| 5.1 引言 | 第49-50页 |
| 5.2 适用于NB算法的倒排加速结构 | 第50-56页 |
| 5.2.1 倒排索引的结构设计 | 第50-52页 |
| 5.2.2 倒排结构的并行化构建算法 | 第52-56页 |
| 5.3 文本预处理并行化 | 第56-58页 |
| 5.4 文本特征选择并行化 | 第58-60页 |
| 5.5 文本向量表示并行化 | 第60-63页 |
| 5.6 应用倒排加速的NB文本分类算法 | 第63-66页 |
| 5.6.1 NB算法的剪枝优化 | 第63-64页 |
| 5.6.2 应用倒排结构的NB算法及其并行化 | 第64-66页 |
| 5.7 实验结果与分析 | 第66-76页 |
| 5.7.1 实验环境 | 第66页 |
| 5.7.2 倒排索引构建效率实验 | 第66-68页 |
| 5.7.3 倒排索引查询效率实验 | 第68-69页 |
| 5.7.4 倒排索引增量更新实验 | 第69-70页 |
| 5.7.5 文本分类算法对比实验 | 第70-71页 |
| 5.7.6 基于倒排索引的文本分类实验 | 第71-72页 |
| 5.7.7 文本分类剪枝优化实验 | 第72-75页 |
| 5.7.8 文本分类并行化效率实验 | 第75-76页 |
| 5.8 本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第82-83页 |
| 致谢 | 第83页 |
