基于Dirichlet过程的Deep Web数据源聚类研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 论文研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 相关理论与技术 | 第15-27页 |
| 2.1 Deep Web概述 | 第15-18页 |
| 2.1.1 Deep Web定义 | 第15-17页 |
| 2.1.2 Deep Web数据集成 | 第17-18页 |
| 2.2 Deep Web数据源聚类关键技术 | 第18-23页 |
| 2.2.1 Deep Web数据源的模型化 | 第18-21页 |
| 2.2.2 相似度计算 | 第21-22页 |
| 2.2.3 相似度组织 | 第22-23页 |
| 2.3 Dirichlet过程 | 第23-26页 |
| 2.3.1 Dirichlet分布 | 第23-24页 |
| 2.3.2 Dirichlet过程的定义 | 第24页 |
| 2.3.3 Dirichlet过程的构造方式 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 Deep Web数据源特征提取 | 第27-38页 |
| 3.1 概述 | 第27-28页 |
| 3.2 表单特征抽取 | 第28-31页 |
| 3.2.1 查询接口文本 | 第28-30页 |
| 3.2.2 查询接口文本预处理 | 第30-31页 |
| 3.3 特征提取算法 | 第31-37页 |
| 3.3.1 基于HDP的特征提取算法 | 第32-35页 |
| 3.3.2 对比特征提取算法 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 Deep Web数据源聚类算法 | 第38-47页 |
| 4.1 概述 | 第38页 |
| 4.2 Dirichlet过程混合模型 | 第38-42页 |
| 4.2.1 模型描述 | 第39-41页 |
| 4.2.2 参数推导方法 | 第41-42页 |
| 4.3 基于DPMM的Deep Web数据源聚类 | 第42-44页 |
| 4.4 加权的Gibbs抽样算法 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 实验结果与分析 | 第47-58页 |
| 5.1 实验总体介绍 | 第47-49页 |
| 5.1.1 实验设计 | 第47页 |
| 5.1.2 实验数据 | 第47-48页 |
| 5.1.3 评价指标 | 第48-49页 |
| 5.2 特征提取实验 | 第49-50页 |
| 5.2.1 HDP特征提取实验结果 | 第49-50页 |
| 5.2.2 LDA特征提取实验结果 | 第50页 |
| 5.3 聚类结果及对比 | 第50-55页 |
| 5.3.1 K-means聚类结果 | 第50-52页 |
| 5.3.2 DPMM聚类结果 | 第52-53页 |
| 5.3.3 W-DPMM聚类结果 | 第53-54页 |
| 5.3.4 实验小结 | 第54-55页 |
| 5.4 整体实验结果对比 | 第55-57页 |
| 5.5 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 全文总结 | 第58页 |
| 6.2 下一步工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第64页 |
