| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 引言 | 第9-15页 |
| ·选题的背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·网页分类的难点及突出问题 | 第13页 |
| ·论文组织 | 第13-15页 |
| 第2章 网页分类相关技术概述 | 第15-37页 |
| ·网页分类的定义与过程 | 第15-16页 |
| ·网页预处理 | 第16-21页 |
| ·网页解析 | 第16-17页 |
| ·网页标题内容提取 | 第17-19页 |
| ·正文内容提取 | 第19-20页 |
| ·停用词的删除 | 第20页 |
| ·词干提取技术 | 第20-21页 |
| ·词典 | 第21页 |
| ·网页表示模型 | 第21-23页 |
| ·特征选择算法 | 第23-27页 |
| ·常用分类算法 | 第27-33页 |
| ·质心向量分类算法 | 第27-29页 |
| ·K-近邻法算法 | 第29-30页 |
| ·Bayesian分类算法 | 第30-33页 |
| ·支持向量机 | 第33页 |
| ·网页分类质量评价指标 | 第33-35页 |
| ·实验数据集 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 基于网页摘要的加权Naive Bayesian分类方法 | 第37-48页 |
| ·网页摘要技术 | 第37-41页 |
| ·网页摘要的定义和发展 | 第37页 |
| ·网页摘要算法 | 第37-41页 |
| ·加权Naive Bayesian分类模型 | 第41-43页 |
| ·特征权重调整方法 | 第41-42页 |
| ·加权Naive Bayesian分类模型 | 第42-43页 |
| ·基于网页摘要的加权Naive Bayesian分类方法 | 第43-44页 |
| ·实验结果及分析 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 基于Boosting组合学习方法的Boost-SVM分类方法 | 第48-64页 |
| ·Boosting组合学习方法介绍 | 第48-52页 |
| ·组合分类现状 | 第48页 |
| ·Boosting算法的背景 | 第48-49页 |
| ·Boosting用于分类的主要算法 | 第49-52页 |
| ·支持向量机理论基础 | 第52-59页 |
| ·统计学习理论 | 第52-54页 |
| ·支持向量机 | 第54-59页 |
| ·Boost-SVM分类算法 | 第59-61页 |
| ·实验结果及分析 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第5章 系统设计与实现 | 第64-73页 |
| ·EBM网页分类系统 | 第64-70页 |
| ·系统的主要功能 | 第64页 |
| ·系统实现 | 第64-70页 |
| ·网页摘要系统 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| ·总结 | 第73页 |
| ·展望 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 攻读学位期间公开发表论文 | 第80-81页 |
| 致谢 | 第81-82页 |
| 研究生履历 | 第82页 |
