| 摘要 | 第1-11页 |
| ABSTRACT | 第11-13页 |
| 第一章 绪论 | 第13-20页 |
| ·研究背景和研究意义 | 第13页 |
| ·DEEP WEB数据集成需要解决的问题 | 第13-15页 |
| ·研究现状 | 第15-17页 |
| ·本文研究内容 | 第17-18页 |
| ·本文结构 | 第18-20页 |
| 第二章 DEEP WEB数据集成技术 | 第20-37页 |
| ·DEEP WEB形式描述 | 第20-21页 |
| ·DEEP WEB访问流程 | 第21-22页 |
| ·DEEP WEB分类 | 第22-24页 |
| ·DEEP WEB集成系统的工作原理 | 第24-26页 |
| ·DEEP WEB数据库集成技术 | 第26-36页 |
| ·Web数据库发现技术 | 第26-27页 |
| ·接口抽取技术 | 第27-28页 |
| ·Web数据库分类技术 | 第28-29页 |
| ·模式匹配技术 | 第29-30页 |
| ·统一查询接口生成技术 | 第30页 |
| ·Web数据库选择技术 | 第30-31页 |
| ·查询转换技术 | 第31-32页 |
| ·数据抽取技术 | 第32-34页 |
| ·语义标注技术 | 第34-35页 |
| ·数据合成技术 | 第35-36页 |
| ·结论 | 第36-37页 |
| 第三章 DEEP WEB数据集成模式的研究 | 第37-44页 |
| ·引言 | 第37页 |
| ·DEEP WEB关系 | 第37-39页 |
| ·DEEP WEB数据集成模式 | 第39-42页 |
| ·同领域集成 | 第39-40页 |
| ·关联集成 | 第40-42页 |
| ·聚合集成 | 第42页 |
| ·不同集成模式处理的比较 | 第42页 |
| ·应用和思考 | 第42-43页 |
| ·结论 | 第43-44页 |
| 第四章 一种基于机器学习的WEB数据库分类 | 第44-61页 |
| ·引言 | 第44-45页 |
| ·问题描述 | 第45-46页 |
| ·WEB数据库表示模型 | 第46-49页 |
| ·特征选择技术 | 第49-51页 |
| ·信息增量(Information Gain) | 第49页 |
| ·互信息(Mutual Information) | 第49页 |
| ·x~2统计 | 第49-50页 |
| ·交叉熵(Cross Entropy) | 第50页 |
| ·证据权值(Weight of Evidence) | 第50页 |
| ·Fisher判别式 | 第50-51页 |
| ·分类方法 | 第51-57页 |
| ·基于统计的方法 | 第51-55页 |
| ·人工神经网络 | 第55页 |
| ·基于规则的方法 | 第55-57页 |
| ·基于机器学习的WEB数据库分类模型 | 第57-58页 |
| ·实验 | 第58-60页 |
| ·实验设计 | 第58-59页 |
| ·实验结果 | 第59-60页 |
| ·结论 | 第60-61页 |
| 第五章 基于本体的DEEP WEB查询接口分类 | 第61-69页 |
| ·引言 | 第61-62页 |
| ·DEEP WEB查询接口本体模型 | 第62-63页 |
| ·DEEP WEB本体生成 | 第63-65页 |
| ·基于本体的分类 | 第65-66页 |
| ·试验 | 第66-67页 |
| ·实验设计 | 第66页 |
| ·试验结果 | 第66-67页 |
| ·结论 | 第67-69页 |
| 第六章 基于知识的DEEP WEB集成环境变化处理的研究 | 第69-81页 |
| ·引言 | 第69页 |
| ·相关概念 | 第69-70页 |
| ·DEEP WEB集成环境和构件依赖 | 第70-74页 |
| ·Deep Web集成环境的特点 | 第70-71页 |
| ·构件的依赖关系 | 第71-73页 |
| ·环境变化处理模型 | 第73-74页 |
| ·DEEP WEB集成的体系结构 | 第74-77页 |
| ·动态体系结构 | 第74-76页 |
| ·Deep Web集成环境变化自适应算法 | 第76-77页 |
| ·实验 | 第77-80页 |
| ·实验设计 | 第77-79页 |
| ·结果与分析 | 第79-80页 |
| ·结论 | 第80-81页 |
| 第七章 基于DEEP WEB的个性化服务研究 | 第81-100页 |
| ·引言 | 第81-82页 |
| ·用户兴趣模型 | 第82-84页 |
| ·用户兴趣模型的表示 | 第82-83页 |
| ·用户兴趣模型建立方法的分类 | 第83页 |
| ·评价用户建模的基本标准 | 第83-84页 |
| ·现有的用户模型构造方法 | 第84页 |
| ·基于资源元数据为语义基础的用户兴趣模型 | 第84-88页 |
| ·科技文献的元数据描述 | 第84-85页 |
| ·初始用户兴趣模型的构造 | 第85-86页 |
| ·用户兴趣模型的更新 | 第86-88页 |
| ·DEEP WEB爬虫 | 第88-93页 |
| ·相关概念 | 第88页 |
| ·Deep Web的访问模式 | 第88-89页 |
| ·Deep Web爬虫算法 | 第89-93页 |
| ·个性化推荐 | 第93页 |
| ·基于DEEP WEB的科技文献个性化推送系统 | 第93-96页 |
| ·体系结构 | 第94页 |
| ·科技文献获取与更新 | 第94-95页 |
| ·用户兴趣模型的构建和更新 | 第95-96页 |
| ·实验 | 第96-98页 |
| ·实验环境 | 第96-97页 |
| ·实验结果与分析 | 第97-98页 |
| ·结论 | 第98-100页 |
| 第八章 总结与展望 | 第100-103页 |
| ·总结 | 第100-101页 |
| ·进一步的工作 | 第101-103页 |
| 附录A 查询接口模式样例 | 第103-107页 |
| 参考文献 | 第107-114页 |
| 攻读博士学位期间参与的科研项目及主要成果 | 第114-116页 |
| 致谢 | 第116-117页 |