| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·研究内容 | 第12-13页 |
| ·本文的组织结构 | 第13-15页 |
| 第2章 研究基础 | 第15-29页 |
| ·语义标注技术 | 第15-17页 |
| ·基于本体的语义标注 | 第15-16页 |
| ·基于启发式规则的语义标注 | 第16-17页 |
| ·人工神经网络 | 第17-26页 |
| ·自组织特征映射(SOM) | 第18-22页 |
| ·CPN网络 | 第22-26页 |
| ·Deep Web信息集成系统概述 | 第26-27页 |
| ·小结 | 第27-29页 |
| 第3章 基于CPN网络的DEEP WEB集成系统中结果模式语义标注机制 | 第29-37页 |
| ·结果模式的定义 | 第29-33页 |
| ·Deep Web结果模式定义 | 第29-31页 |
| ·数据类型分类 | 第31-33页 |
| ·Deep Web结果模式语义标注的定义以及评价准则 | 第33-34页 |
| ·Deep Web结果模式语义标注的定义 | 第33页 |
| ·Deep Web结果模式语义标注的评价准则 | 第33-34页 |
| ·基于 CPN网络的Deep Web集成系统中结果模式语义标注机制 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 结果页面属性值特征的选取 | 第37-49页 |
| ·结果页面信息获取 | 第37-42页 |
| ·正文块的获取 | 第38-40页 |
| ·数据项的抽取 | 第40-42页 |
| ·属性值的获取 | 第42页 |
| ·样本特征的选取 | 第42-47页 |
| ·样本数据类型分类 | 第42-44页 |
| ·样本特征的选取 | 第44-46页 |
| ·样本特征选取算法 | 第46-47页 |
| ·样本特征的标准化 | 第47-48页 |
| ·本章小节 | 第48-49页 |
| 第5章 基于CPN网络的DEEP WEB集成系统中结果模式语义标注 | 第49-57页 |
| ·经典的CPN算法 | 第49-50页 |
| ·改进的CPN算法 | 第50-55页 |
| ·Kohonen层的无导师训练学习 | 第51-52页 |
| ·Grossberg层的有导师学习 | 第52-53页 |
| ·算法效率分析 | 第53页 |
| ·网络参数的设置 | 第53-54页 |
| ·进一步改进CPN算法 | 第54-55页 |
| ·标注算法 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第6章 实验结果分析 | 第57-63页 |
| ·实验环境 | 第57页 |
| ·实验结果分析 | 第57-62页 |
| ·样本数量对语义标注的影响 | 第58-59页 |
| ·CPN网络参数对学习的影响 | 第59-60页 |
| ·在不同领域的标注情况 | 第60页 |
| ·同基于本体的标注与基于语义的标注的比较 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第7章 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
