| 内容提要 | 第1-7页 |
| 第一章 绪论 | 第7-19页 |
| ·网页分类在Web数据挖掘中的意义 | 第7-11页 |
| ·Web数据挖掘 | 第7-9页 |
| ·网页分类在Web数据挖掘中的意义 | 第9-11页 |
| ·网页分类技术 | 第11-17页 |
| ·网页分类技术概述 | 第11-13页 |
| ·网页分类的历史和现状 | 第13-17页 |
| ·本文的主要研究内容和组织结构 | 第17-19页 |
| 第二章 统计机器学习理论 | 第19-25页 |
| ·机器学习的基本问题 | 第19-21页 |
| ·机器学习问题的描述 | 第19-20页 |
| ·经验风险最小化 | 第20页 |
| ·经验风险的复杂性与推广能力 | 第20-21页 |
| ·统计学习理论 | 第21-24页 |
| ·VC维 | 第21-22页 |
| ·推广性的界 | 第22-23页 |
| ·结构风险最小化原则（SRM原则） | 第23-24页 |
| ·小结 | 第24-25页 |
| 第三章 基于分块的网页特征抽取 | 第25-38页 |
| ·网页的文本特征 | 第25-27页 |
| ·信息增益（InformationGain） | 第26页 |
| ·词频和逆文档频（TF*IDF） | 第26-27页 |
| ·网页的结构化特征 | 第27-29页 |
| ·HTML标记特征 | 第27-28页 |
| ·网页分块特征 | 第28-29页 |
| ·网页的分块 | 第29-33页 |
| ·Dom树 | 第29-30页 |
| ·可视化优先级Dom树（VisualPriorityDom Tree） | 第30-31页 |
| ·分块的属性 | 第31-33页 |
| ·基于人工神经网络的网页分块 | 第33-36页 |
| ·基于分块的特征抽取方法 | 第36-38页 |
| 第四章 基于层次式支持向量机的网页分类算法 | 第38-45页 |
| ·支持向量机 | 第38-42页 |
| ·最优分类平面 | 第38-40页 |
| ·支持向量机 | 第40-41页 |
| ·核函数 | 第41-42页 |
| ·多分类SVM方法 | 第42页 |
| ·层次式SVM方法 | 第42-45页 |
| ·水平分类法和层次式分类法 | 第42-43页 |
| ·层次式SVM的训练策略和参数的选择 | 第43-45页 |
| 第五章 实验结果及分析 | 第45-51页 |
| ·网页分类的评价标准 | 第45-46页 |
| ·数据集分布情况 | 第46-47页 |
| ·分类准确度实验 | 第47-49页 |
| ·分类性能实验 | 第49页 |
| ·实验结果分析 | 第49-51页 |
| 第六章 总结 | 第51-54页 |
| ·总结 | 第51-52页 |
| ·展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 摘要 | 第57-60页 |
| ABSTRACT | 第60-63页 |
| 致谢 | 第63-64页 |
| 导师及作者简介 | 第64页 |