中文信息过滤技术的研究
| 第一章 绪言 | 第1-17页 |
| ·论文背景 | 第11-12页 |
| ·信息过滤问题的提出 | 第11-12页 |
| ·信息过滤的研究内容与现状 | 第12页 |
| ·信息过滤概述 | 第12-15页 |
| ·信息过滤的概念与特点 | 第12-13页 |
| ·信息过滤与信息检索的关系 | 第13-14页 |
| ·文本过滤结果的评价指标 | 第14-15页 |
| ·论文研究内容和组织结构 | 第15-17页 |
| ·论文研究的内容 | 第15页 |
| ·论文的组织结构 | 第15-17页 |
| 第二章 网页文本信息提取 | 第17-27页 |
| ·网页信息提取的研究目标及现状 | 第17-19页 |
| ·网页信息提取的研究目标 | 第17-18页 |
| ·网页信息抽取发展现状 | 第18-19页 |
| ·网页信息分析 | 第19-20页 |
| ·网页的结构分析 | 第19-20页 |
| ·网页控制符分析 | 第20页 |
| ·提取网页中的文本信息 | 第20-26页 |
| ·网页文本信息的提取流程 | 第21页 |
| ·HTML页面的预处理 | 第21-24页 |
| ·提取网页中的文本信息 | 第24-26页 |
| ·小结 | 第26-27页 |
| 第三章 基于决策树的过滤方法研究 | 第27-50页 |
| ·归纳学习 | 第27-29页 |
| ·归纳学习的基本概念 | 第27-28页 |
| ·归纳学习算法的一般步骤 | 第28-29页 |
| ·决策树 | 第29-32页 |
| ·决策树概述 | 第29页 |
| ·决策树算法原理及步骤 | 第29-31页 |
| ·从决策树中提取规则 | 第31-32页 |
| ·ID3算法 | 第32-35页 |
| ·ID3算法简介 | 第32页 |
| ·ID3算法描述 | 第32-34页 |
| ·ID3算法中的属性选择方案 | 第34-35页 |
| ·基于 ID3算法的决策树分类程序介绍 | 第35-45页 |
| ·实现的ID3决策树分类器介绍 | 第35-37页 |
| ·数据文件格式说明及示例 | 第37-40页 |
| ·ID3算法实现示例 | 第40-45页 |
| ·用 ID3决策树进行信息过滤 | 第45-49页 |
| ·ID3学习算法性能评估 | 第45-46页 |
| ·过滤实验方案 | 第46-47页 |
| ·实验结果及分析 | 第47-49页 |
| ·小结 | 第49-50页 |
| 第四章 贝叶斯网络 | 第50-74页 |
| ·贝叶斯理论的发展简述 | 第50-51页 |
| ·贝叶斯网络模型 | 第51-55页 |
| ·贝叶斯公式 | 第51-52页 |
| ·图形模型及相关概念 | 第52-53页 |
| ·贝叶斯网络的形式化描述 | 第53-55页 |
| ·贝叶斯网络的构建方法 | 第55-56页 |
| ·贝叶斯分类器及其分类原理 | 第56-61页 |
| ·贝叶斯分类器 | 第56-57页 |
| ·贝叶斯分类原理 | 第57-58页 |
| ·朴素贝叶斯分类器 | 第58-59页 |
| ·属性关联贝叶斯分类器 | 第59-61页 |
| ·过滤实验分析 | 第61-64页 |
| ·实验数据及方案描述 | 第61-62页 |
| ·实验结果与分析 | 第62-64页 |
| ·几种过滤模型的性能比较 | 第64-72页 |
| ·向量空间模型 | 第65-66页 |
| ·BP神经网络模型 | 第66-67页 |
| ·几种过滤模型的实验分析 | 第67-72页 |
| ·小结 | 第72-74页 |
| 第五章 总结 | 第74-76页 |
| ·本文工作总结 | 第74-75页 |
| ·展望 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 附录1 BP神经网络分类器 | 第79-80页 |
| 附录2 向量空间模型程序源码 | 第80-88页 |
| 附录3 贝叶斯过滤模型程序部分代码 | 第88-94页 |
| 致谢 | 第94-95页 |
| 研究成果及发表的学术论文 | 第95-97页 |
