基于贝叶斯的分布式网页自动分类算法研究及应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究现状和发展趋势 | 第10-11页 |
| 1.3 研究内容和创新点 | 第11-12页 |
| 1.4 论文结构 | 第12-14页 |
| 第二章 网页自动分类和分布式框架综述 | 第14-26页 |
| 2.1 网页自动分类的定义 | 第14页 |
| 2.2 网页自动分类的一般方法 | 第14-15页 |
| 2.3 网页自动分类的核心技术 | 第15-21页 |
| 2.3.1 网络爬虫 | 第15-17页 |
| 2.3.2 文本预处理 | 第17-18页 |
| 2.3.3 样本标注 | 第18-19页 |
| 2.3.4 特征选择 | 第19页 |
| 2.3.5 学习算法 | 第19-21页 |
| 2.4 Hadoop分布式系统基础架构 | 第21-26页 |
| 2.4.1 Hadoop概述 | 第21页 |
| 2.4.2 Hadoop存储 | 第21-22页 |
| 2.4.3 Hadoop计算 | 第22-24页 |
| 2.4.4 Hadoop在数据挖掘中的应用 | 第24-26页 |
| 第三章 贝叶斯分类器研究及其分布式算法设计 | 第26-34页 |
| 3.1 算法理论 | 第26-27页 |
| 3.2 文本表示 | 第27-28页 |
| 3.3 概率估计 | 第28-29页 |
| 3.4 贝叶斯训练的分布式算法设计 | 第29-33页 |
| 3.4.1 类条件概率训练的分布式算法设计 | 第29-31页 |
| 3.4.2 类先验概率训练的分布式算法设计 | 第31-33页 |
| 3.5 贝叶斯分类的分布式算法设计 | 第33-34页 |
| 第四章 特征选择研究及其分布式算法设计 | 第34-40页 |
| 4.1 特征选择策略 | 第34-35页 |
| 4.2 特征选择算法 | 第35-37页 |
| 4.3 信息增益特征选择的分布式算法设计 | 第37-40页 |
| 第五章 分布式网页自动分类系统架构 | 第40-56页 |
| 5.1 系统框架 | 第40页 |
| 5.2 系统流程 | 第40-41页 |
| 5.3 组件设计 | 第41-43页 |
| 5.3.1 分类组件 | 第41-42页 |
| 5.3.2 统计组件 | 第42页 |
| 5.3.3 训练组件 | 第42-43页 |
| 5.3.4 配置组件 | 第43页 |
| 5.4 模块设计 | 第43-51页 |
| 5.4.1 网页内容提取 | 第43-44页 |
| 5.4.2 转储 | 第44-45页 |
| 5.4.3 分词 | 第45-47页 |
| 5.4.4 库匹配分类器 | 第47-49页 |
| 5.4.5 贝叶斯训练与分类器 | 第49-51页 |
| 5.5 库表设计 | 第51-56页 |
| 5.5.1 HBase数据表设计 | 第51-53页 |
| 5.5.2 PostgreSQL数据表设计 | 第53-56页 |
| 第六章 分布式网页自动分类性能分析 | 第56-62页 |
| 6.1 数据源 | 第56-57页 |
| 6.2 累积概率阂值的鲁棒性分析 | 第57-58页 |
| 6.3 概率估计方法的分类性能分析 | 第58页 |
| 6.4 特征向量大小的分类性能分析 | 第58-60页 |
| 6.5 特征选择算法的分类性能分析 | 第60-62页 |
| 第七章 总结与展望 | 第62-64页 |
| 7.1 总结 | 第62页 |
| 7.2 展望 | 第62-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间发表的学术论文目录 | 第68页 |
