| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-30页 |
| ·范例推理 | 第10-12页 |
| ·CBR的概述 | 第10-12页 |
| ·CBR的推理方法学 | 第12-18页 |
| ·CBR技术及应用 | 第15-16页 |
| ·CBR的研究现状 | 第16-18页 |
| ·互联网文本信息处理 | 第18-26页 |
| ·数据挖掘与文本挖掘 | 第19-20页 |
| ·文本挖掘的应用与产品 | 第20-22页 |
| ·文本主题词抽取和文本自动摘要的研究现状 | 第22-26页 |
| ·本文工作内容与组织结构 | 第26-30页 |
| ·本文工作内容 | 第26-28页 |
| ·本文组织结构 | 第28-30页 |
| 第二章 聚类方法在范例库建立和范例提取中的研究 | 第30-51页 |
| ·范例库建立和范例提取的研究现状 | 第30-33页 |
| ·范例库建立的研究现状 | 第30-32页 |
| ·问题提出 | 第31页 |
| ·研究现状及相关工作 | 第31-32页 |
| ·范例库索引和范例提取研究现状 | 第32-33页 |
| ·问题提出 | 第32页 |
| ·研究现状及相关工作 | 第32-33页 |
| ·范例相似度与聚类分析 | 第33-35页 |
| ·范例间相似度的度量 | 第33-34页 |
| ·聚类方法 | 第34-35页 |
| ·NCL_CLARA聚类算法 | 第35-41页 |
| ·NCL(New Clustering Learning) | 第36-37页 |
| ·CLARA(Clustering LARge Applications) | 第37页 |
| ·NCL_CLARA的算法模型 | 第37-38页 |
| ·NCL_CLARA算法在数据抽查中的应用 | 第38-41页 |
| ·范例库自动建立的研究 | 第41-46页 |
| ·基本概念 | 第41-42页 |
| ·范例自动发现过程 | 第42-43页 |
| ·范例库自动生成的主要算法和实现 | 第43-45页 |
| ·范例库生成 | 第45页 |
| ·实验结果与分析 | 第45-46页 |
| ·实验准备 | 第45页 |
| ·实验结果和讨论 | 第45-46页 |
| ·范例索引和范例提取技术的研究 | 第46-50页 |
| ·范例索引 | 第46-47页 |
| ·范例提取 | 第47-48页 |
| ·实验结果与分析 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第三章 范例库维护与范例表示的研究 | 第51-62页 |
| ·范例库维护的研究 | 第51-57页 |
| ·问题提出 | 第51-52页 |
| ·研究现状及相关工作 | 第52-53页 |
| ·范例分类 | 第53-54页 |
| ·聚类方法在范例库维护中的应用 | 第54-57页 |
| ·范例增加主要思想及其算法 | 第54页 |
| ·范例删除主要思想及其算法 | 第54-56页 |
| ·实验结果及分析 | 第56-57页 |
| ·面向对象的范例表示研究 | 第57-61页 |
| ·范例的面向对象表示 | 第57-59页 |
| ·范例类的形式化定义 | 第58-59页 |
| ·范例对象的形式化定义 | 第59页 |
| ·范例间相似性计算 | 第59-61页 |
| ·类内相似性计算 | 第59-60页 |
| ·类间相似性计算 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第四章 互联网文本信息处理中主题词自动抽取与自动摘要研究 | 第62-84页 |
| ·互联网文本信息处理技术研究现状 | 第62-72页 |
| ·互联网文本信息的特点 | 第63-64页 |
| ·网页中文本信息的抽取方法 | 第64-70页 |
| ·文本主题词的抽取研究现状 | 第70-71页 |
| ·文档自动摘要的研究现状 | 第71-72页 |
| ·词共现图与相关工作 | 第72-75页 |
| ·词共现模型 | 第72-73页 |
| ·主题的确定 | 第73页 |
| ·词共现图的建立 | 第73-75页 |
| ·基于词共现图的文档主题词自动抽取 | 第75-79页 |
| ·文档主题词的抽取 | 第75-76页 |
| ·基于词共现图的文档主题词抽取流程及算法 | 第76-77页 |
| ·实验结果与分析 | 第77-79页 |
| ·基于词共现图的文档自动摘要方法 | 第79-83页 |
| ·基于词共现图的文档自动摘要原理 | 第79-80页 |
| ·摘要生成与摘要长度自动确定 | 第80-81页 |
| ·实验结果与分析 | 第81-83页 |
| ·本章小结 | 第83-84页 |
| 第五章 范例推理在互联网文本信息处理中应用 | 第84-103页 |
| ·基于CBR的文本自动分类研究 | 第84-93页 |
| ·文本自动分类的研究现状 | 第84-85页 |
| ·基于CBR的文本自动分类系统的设计与实现 | 第85-89页 |
| ·实验结果与分析 | 第89-93页 |
| ·基于CBR的EMAIL自动分类研究 | 第93-101页 |
| ·Email自动分类的研究现状 | 第93-94页 |
| ·潜在语义分析方法 | 第94-95页 |
| ·基于CBR的Email自动分类 | 第95-97页 |
| ·实验结果与分析 | 第97-101页 |
| ·本章小结 | 第101-103页 |
| 第六章 应用系统:互联网竞争情报监测系统CISNET | 第103-120页 |
| ·互联网竞争情报监测的意义和研究现状 | 第103-106页 |
| ·互联网竞争情报监测的意义 | 第103-104页 |
| ·互联网竞争情报监测的研究现状 | 第104-106页 |
| ·CISNET:互联网竞争情报智能监测系统 | 第106-113页 |
| ·系统功能 | 第106-107页 |
| ·系统体系结构 | 第107-111页 |
| ·系统的主要特点 | 第111-112页 |
| ·系统在信息化社会中的应用 | 第112页 |
| ·与其他相关工作比较 | 第112-113页 |
| ·与本文相关的主要关键技术 | 第113-116页 |
| ·主题词自动抽取技术及应用 | 第113页 |
| ·文档自动摘要技术及应用 | 第113-114页 |
| ·一个主题词自动抽取和文档自动摘要的实例 | 第114-115页 |
| ·文本自动分类技术及应用 | 第115-116页 |
| ·其它相关应用研究 | 第116-119页 |
| ·用户兴趣模型 | 第116-117页 |
| ·关联搜索 | 第117页 |
| ·个性化推荐系统 | 第117-119页 |
| ·本章小结 | 第119-120页 |
| 第七章 总结与进一步的工作 | 第120-124页 |
| ·本文主要结论 | 第120-122页 |
| ·主要创新点 | 第122页 |
| ·进一步的研究方向 | 第122-124页 |
| 参考文献 | 第124-135页 |
| 致谢 | 第135-136页 |
| 攻读博士期间发表论文 | 第136-138页 |
| 攻读博士学位期间参加的科研项目 | 第138页 |
