| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 前言 | 第10-13页 |
| 1．1 课题的背景及意义 | 第10-11页 |
| 1．2 本文的工作与创新 | 第11-12页 |
| 1．3 本文的组织 | 第12-13页 |
| 第二章 相关技术研究 | 第13-35页 |
| 2．1 网页过滤技术 | 第13-18页 |
| 2．1．1 内容分级标注 | 第13-15页 |
| 2．1．2 URL过滤 | 第15-16页 |
| 2．1．3 智能内容分析 | 第16-17页 |
| 2．1．4 当前的网页过滤系统 | 第17-18页 |
| 2．2 信息过滤模型 | 第18-21页 |
| 2．2．1 布尔模型 | 第19页 |
| 2．2．2 向量空间模型 | 第19-20页 |
| 2．2．3 概率模型 | 第20-21页 |
| 2．3 DOM技术探讨 | 第21-27页 |
| 2．3．1 HTML、XML和 XHTML | 第22-25页 |
| 2．3．1．1 可标记超文本语言 HTML | 第22-23页 |
| 2．3．1．2 可扩展标记语言 XML | 第23页 |
| 2．3．1．3 可扩展超文本标记语言 XHTML | 第23-25页 |
| 2．3．2 文档对象模型 DOM | 第25-26页 |
| 2．3．3 基于 DOM的网页解析 | 第26-27页 |
| 2．4 中文分词技术 | 第27-31页 |
| 2．4．1 中文分词综述 | 第27-28页 |
| 2．4．2 中文分词技术 | 第28-30页 |
| 2．4．2．1 基于字符串匹配的分词方法 | 第28-29页 |
| 2．4．2．2 基于理解的分词方法 | 第29页 |
| 2．4．2．3 基于统计的分词方法 | 第29-30页 |
| 2．4．3 分词中的难题 | 第30-31页 |
| 2．4．3．1 歧义识别 | 第30-31页 |
| 2．4．3．2 新词识别 | 第31页 |
| 2．5 自动文本分类(Text Categorization) | 第31-35页 |
| 2．5．1 KNN(Nearest Neighbour，NN)分类方法 | 第32-33页 |
| 2．5．2 支持向量机 SVM(Support Vector Machine)方法 | 第33页 |
| 2．5．3 基于神经网络的文本分类 | 第33-35页 |
| 第三章 机器学习和神经网络 | 第35-42页 |
| 3．1 人工智能与机器学习 | 第35-36页 |
| 3．2 神经网络 | 第36-38页 |
| 3．3 自组织特征映射神经网络 | 第38-39页 |
| 3．4 Kohonen学习算法 | 第39-42页 |
| 第四章 网页内容智能过滤的设计和实现 | 第42-54页 |
| 4．1 总体设计 | 第42-44页 |
| 4．2 预处理 | 第44-50页 |
| 4．2．1 基于 DOM的网页解析 | 第45-49页 |
| 4．2．2 中文分词模块 | 第49-50页 |
| 4．3 特征提取 | 第50-51页 |
| 4．4 向量生成 | 第51-52页 |
| 4．5 网页分类器 | 第52-53页 |
| 4．6 实验结果及分析 | 第53-54页 |
| 第五章 总结与展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间发表的学术论文目录 | 第60-61页 |
| 学位论文评阅及答辩情况表 | 第61页 |
