基于内容和链接的主题爬虫的研究与实现
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究现状 | 第15-16页 |
| 1.3 研究内容及论文组织结构 | 第16-19页 |
| 第二章 网络爬虫研究概述 | 第19-26页 |
| 2.1 搜索引擎 | 第19-22页 |
| 2.1.1 通用搜索引擎 | 第19-21页 |
| 2.1.2 垂直搜索引擎 | 第21-22页 |
| 2.2 通用爬虫 | 第22-24页 |
| 2.2.1 通用爬虫的工作原理及结构 | 第22-23页 |
| 2.2.2 通用爬虫的爬行策略 | 第23-24页 |
| 2.3 主题爬虫 | 第24-25页 |
| 2.3.1 主题爬虫的工作原理及结构 | 第24-25页 |
| 2.3.2 主题爬虫的爬行策略 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 主题爬虫关键技术研究 | 第26-36页 |
| 3.1 网页文本信息处理 | 第26-28页 |
| 3.1.1 网页规范化 | 第26页 |
| 3.1.2 网页信息抽取 | 第26-27页 |
| 3.1.3 中文分词 | 第27-28页 |
| 3.2 主题相关性计算 | 第28-30页 |
| 3.2.1 布尔模型 | 第28-29页 |
| 3.2.2 向量空间模型 | 第29-30页 |
| 3.3 关键词提取 | 第30-32页 |
| 3.3.1 基于PAT树的关键词提取方法 | 第30页 |
| 3.3.2 基于TF-IDF的关键词提取方法 | 第30-31页 |
| 3.3.3 基于朴素贝叶斯的关键词提取方法 | 第31-32页 |
| 3.4 Web链接结构特性 | 第32-35页 |
| 3.4.1 PageRank算法 | 第32-34页 |
| 3.4.2 HITS算法 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于内容和链接的主题爬虫的系统设计与实现 | 第36-48页 |
| 4.1 整体方案思想概述 | 第36-37页 |
| 4.2 模型构建模块 | 第37-42页 |
| 4.2.1 模型属性的选取 | 第38-39页 |
| 4.2.2 文本预处理 | 第39-40页 |
| 4.2.3 基于条件互信息下的属性聚类 | 第40-42页 |
| 4.3 网页解析模块 | 第42-44页 |
| 4.4 主题策略模块和URLs调度模块 | 第44-46页 |
| 4.4.1 主题策略模块 | 第45-46页 |
| 4.4.2 URLs调度模块 | 第46页 |
| 4.5 性能优势分析 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 实验研究与结果分析 | 第48-55页 |
| 5.1 实验环境与数据准备 | 第48-49页 |
| 5.1.1 实验开发环境 | 第48页 |
| 5.1.2 数据准备 | 第48-49页 |
| 5.2 实验评价指标 | 第49-50页 |
| 5.2.1 提取关键词指标 | 第49页 |
| 5.2.2 主题爬虫性能指标 | 第49-50页 |
| 5.3 实验方案及结果分析 | 第50-54页 |
| 5.3.1 改进的朴素贝叶斯算法 | 第50-51页 |
| 5.3.2 主题爬虫 | 第51-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-58页 |
| 6.1 论文内容总结 | 第55-56页 |
| 6.2 研究展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士期间的研究成果 | 第63-64页 |
| 学位论文评阅及答辩情况表 | 第64页 |
