| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究的背景和意义 | 第8页 |
| 1.2 国内外研究现状和发展趋势 | 第8-10页 |
| 1.3 本文所做的主要工作 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 第二章 网页分类的数据预处理 | 第12-28页 |
| 2.1 网页去噪技术 | 第12-16页 |
| 2.1.1 基于网页结构的去噪技术 | 第12-13页 |
| 2.1.2 基于模板的网页去噪技术 | 第13-15页 |
| 2.1.3 基于可视化信息的网页去噪技术 | 第15-16页 |
| 2.2 中文分词技术分析 | 第16-18页 |
| 2.2.1 机械式分词技术 | 第17页 |
| 2.2.2 基于理解的分词方法 | 第17-18页 |
| 2.2.3 基于词频统计的分词方法 | 第18页 |
| 2.3 改进的Bloom Filter用于特征项去重 | 第18-23页 |
| 2.3.1 特征项去重 | 第18-19页 |
| 2.3.2 Bloom Filter算法 | 第19-21页 |
| 2.3.3 改进的Bloom Filter算法 | 第21-23页 |
| 2.4 网页特征选择与权重计算 | 第23-26页 |
| 2.4.1 特征选择工作原理 | 第23-24页 |
| 2.4.2 TF-IDF算法 | 第24-25页 |
| 2.4.3 TF-IDF算法的改进 | 第25-26页 |
| 2.5 网页文本的表示 | 第26-27页 |
| 2.5.1 向量空间模型 | 第26页 |
| 2.5.2 网页文本的相似度计算 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 网页分类方法的分析与研究 | 第28-44页 |
| 3.1 网页分类方法研究 | 第28-31页 |
| 3.1.1 朴素贝叶斯算法 | 第28-29页 |
| 3.1.2 决策树算法 | 第29-30页 |
| 3.1.3 K-最近邻（KNN）算法 | 第30-31页 |
| 3.2 支持向量机（SVM）算法 | 第31-35页 |
| 3.2.1 VC维理论 | 第32-33页 |
| 3.2.2 结构风险最小化原则 | 第33-34页 |
| 3.2.3 支持向量机的概念 | 第34页 |
| 3.2.4 支持向量机中的核函数 | 第34-35页 |
| 3.3 支持向量机（SVM）算法的改进 | 第35-43页 |
| 3.3.1 改进核函数的原理 | 第36-37页 |
| 3.3.2 新核函数的构建 | 第37-38页 |
| 3.3.3 改进的SVM的重要参数 | 第38-39页 |
| 3.3.4 SVM参数优化方法改进 | 第39-41页 |
| 3.3.5 仿真实验 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 面向内容的网页分类系统的实现 | 第44-55页 |
| 4.1 系统需求分析 | 第44-46页 |
| 4.1.1 系统的实现目标 | 第44页 |
| 4.1.2 系统的功能需求分析 | 第44-45页 |
| 4.1.3 系统的性能需求分析 | 第45-46页 |
| 4.2 系统功能模块设计 | 第46-51页 |
| 4.2.1 数据收集模块设计 | 第47-48页 |
| 4.2.2 数据预处理模块设计 | 第48-50页 |
| 4.2.3 分类器模块设计 | 第50-51页 |
| 4.3 网页自动分类系统的实现 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-59页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 致谢 | 第60页 |