| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-6页 |
| 第一章 绪论 | 第6-8页 |
| 第二章 智能代理（Agent）的模型以及主要技术介绍 | 第8-21页 |
| 2．1 智能代理模型 | 第8-12页 |
| 2．1．1 Agent的定义 | 第8-10页 |
| 2．1．2 Information Agent模型 | 第10-12页 |
| 2．2 文档的目标表示 | 第12-15页 |
| 2．2．1 向量空间模型 | 第12-13页 |
| 2．2．2 布尔模型 | 第13页 |
| 2．2．3 概率推理模型 | 第13-14页 |
| 2．2．4 小节 | 第14-15页 |
| 2．3 文档特征提取的主要手段 | 第15-16页 |
| 2．3．1 特征提取方法 | 第15页 |
| 2．3．2 小节 | 第15-16页 |
| 2．4 机器学习的主要方法 | 第16-18页 |
| 2．4．1 神经网络方法 | 第16页 |
| 2．4．2 朴素贝叶斯分类方法 | 第16-17页 |
| 2．4．3 决策树分类法 | 第17页 |
| 2．4．4 基于实例的方法 | 第17-18页 |
| 2．5 Agent运行时的调度方法 | 第18页 |
| 2．6 国内外的研究成果和本文的构思 | 第18-21页 |
| 2．6．1 模型质量评价 | 第19页 |
| 2．6．2 Internet上的Information Agent系统 | 第19-20页 |
| 2．6．3 本文的构思 | 第20-21页 |
| 第三章 前馈神经网络和TFIDF技术简介 | 第21-31页 |
| 3．1 前馈神经网络和BP算法 | 第21-28页 |
| 3．1．1 BP模型 | 第21-22页 |
| 3．1．2 利用BP算法进行网络训练 | 第22-28页 |
| 3．1．3 训练策略和参数选择 | 第28页 |
| 3．2 TFIDF的介绍和推导 | 第28-30页 |
| 3．3 小节 | 第30-31页 |
| 第四章 Agent的实现 | 第31-44页 |
| 4．1 本系统的框架结构 | 第31-34页 |
| 4．1．1 本系统的实施方案 | 第31-33页 |
| 4．1．2 Agent的工作流程 | 第33-34页 |
| 4．1．3 实现系统的平台和工具 | 第34页 |
| 4．2 字典的建立 | 第34-35页 |
| 4．3 特征提取和降维 | 第35-38页 |
| 4．3．1 分词的方法 | 第35-36页 |
| 4．3．2 用TFIDF提取特征 | 第36-38页 |
| 4．3．3 降维 | 第38页 |
| 4．3．4 特征的二值化 | 第38页 |
| 4．4 前馈神经网络的实现 | 第38-42页 |
| 4．4．1 用面向对象的方法定义神经网络 | 第39-41页 |
| 4．4．2 网络参数的选择 | 第41-42页 |
| 4．5 网络爬行的实现 | 第42-44页 |
| 4．5．1 在Windows下的Internet通讯 | 第42-43页 |
| 4．5．2 去除网页中的标记 | 第43页 |
| 4．5．3 启发式搜索 | 第43-44页 |
| 第五章 结论与展望 | 第44-46页 |
| 注释 | 第46-47页 |
| 参考文献 | 第47-48页 |
| 后记 | 第48页 |
