基于隐马尔可夫模型的Web信息抽取研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| ·引言 | 第8-9页 |
| ·论文的主要工作 | 第9页 |
| ·论文主要内容 | 第9-11页 |
| 第二章 Web信息抽取技术综述 | 第11-21页 |
| ·Web信息抽取技术的发展历史 | 第11-12页 |
| ·Web信息文本特征 | 第12-13页 |
| ·符号特征 | 第12页 |
| ·关系特征 | 第12-13页 |
| ·文本片段特征 | 第13页 |
| ·文档结构特征 | 第13页 |
| ·Web信息抽取的评价标准 | 第13-14页 |
| ·Web信息的抽取途径 | 第14-15页 |
| ·Web信息抽取技术的分类 | 第15-17页 |
| ·基于自然语言理解方式的信息抽取 | 第15页 |
| ·基于ontology方式的信息抽取 | 第15-16页 |
| ·基于HTML结构的信息抽取 | 第16页 |
| ·基于隐马尔可夫模型的信息抽取 | 第16-17页 |
| ·典型系统 | 第17-19页 |
| ·ShopBot | 第17页 |
| ·WIEN | 第17-18页 |
| ·WHISK | 第18-19页 |
| ·综合分析 | 第19页 |
| ·信息抽取存在的问题 | 第19-21页 |
| 第三章 HMM的主要算法 | 第21-25页 |
| ·定义 | 第21页 |
| ·组成 | 第21-22页 |
| ·主要算法 | 第22-25页 |
| ·前向-后向算法 | 第22-24页 |
| ·Viterbi算法 | 第24-25页 |
| 第四章 Web数据预处理及信息源定位 | 第25-35页 |
| ·Web数据源分析 | 第25-26页 |
| ·信息所在区域的确定 | 第26-33页 |
| ·实验结果和结果分析 | 第33-35页 |
| 第五章 HMM概率学习 | 第35-38页 |
| ·学习状态转移概率和观察值概率 | 第35页 |
| ·平滑处理(smoothing) | 第35-37页 |
| ·Laplace smoothing方法 | 第35-36页 |
| ·Absolute discounting方法 | 第36页 |
| ·smoothing方法的改进 | 第36-37页 |
| ·实验结果 | 第37-38页 |
| 第六章 基于聚类的HMM结构学习 | 第38-51页 |
| ·学习简单HMM结构 | 第39-40页 |
| ·学习域内HMM结构 | 第40-49页 |
| ·聚类 | 第40-44页 |
| ·状态合并及模型显示 | 第44-49页 |
| ·实验结果 | 第49-51页 |
| 第七章 系统设计与实现 | 第51-81页 |
| ·系统概览 | 第51-52页 |
| ·系统设计模式 | 第52-62页 |
| ·模型-视图-控制器(MVC)设计模式简介 | 第52-54页 |
| ·ASP.NET下MVC设计模式的实现 | 第54-62页 |
| ·系统模块实现 | 第62-78页 |
| ·模块设计目标 | 第62-63页 |
| ·基础模块 | 第63-64页 |
| ·定位模块的实现 | 第64-68页 |
| ·计算状态转换概率和观察值概率模块的实现 | 第68-72页 |
| ·状态聚类合并的实现 | 第72-74页 |
| ·利用Viterbi计算路径模块的实现 | 第74-78页 |
| ·主要界面 | 第78-81页 |
| 第八章 总结与展望 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 攻读学位期间成果 | 第85-86页 |
| 致谢 | 第86页 |
