| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第13-17页 |
| 1.1 课题背景及研究意义 | 第13-14页 |
| 1.2 本文的主要工作 | 第14-15页 |
| 1.3 本文的组织结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 相关工作综述 | 第17-39页 |
| 2.1 主题爬虫概述 | 第17-19页 |
| 2.2 爬虫系统的关键技术 | 第19-28页 |
| 2.2.1 基于协议控制的JavaScript解析 | 第19-23页 |
| 2.2.2 网页去噪 | 第23-24页 |
| 2.2.3 URL指纹和Bloom Filter | 第24-26页 |
| 2.2.4 SimNash算法 | 第26-28页 |
| 2.3 文本分类器 | 第28-33页 |
| 2.3.1 文本分类的定义 | 第28-29页 |
| 2.3.2 文本特征表达 | 第29-31页 |
| 2.3.3 常用的文本分类器 | 第31-33页 |
| 2.4 底层平台服务 | 第33-38页 |
| 2.4.1 NoSQL数据存储 | 第33-36页 |
| 2.4.2 数据清洗及索引 | 第36-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 网页抓取策略 | 第39-45页 |
| 3.1 基于网络拓扑的PageRank算法 | 第39-40页 |
| 3.2 基于网页正文的Shark-Search算法 | 第40-41页 |
| 3.3 基于用户访问行为的抓取策略 | 第41-42页 |
| 3.4 改进Shark-Search算法 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 网页主题内容分类 | 第45-60页 |
| 4.1 模型概述 | 第45页 |
| 4.2 词向量Word2vec | 第45-48页 |
| 4.2.1 词向量概述 | 第45-46页 |
| 4.2.2 Word2vec模型 | 第46-47页 |
| 4.2.3 文本预处理及向量化 | 第47-48页 |
| 4.3 基于Attention的层次化LSTM分类网络 | 第48-58页 |
| 4.3.1 人工神经网络 | 第48-49页 |
| 4.3.2 递归神经网络 | 第49-51页 |
| 4.3.3 Attention机制 | 第51-55页 |
| 4.3.4 基于Attention的层次化LSTM网络构建 | 第55-57页 |
| 4.3.5 模型训练过程 | 第57-58页 |
| 4.4 基于置信度的分类策略 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 实验设计及结果分析 | 第60-69页 |
| 5.1 抓取策略测试实验 | 第60-63页 |
| 5.1.1 性能评价指标 | 第60页 |
| 5.1.2 实验结果及分析 | 第60-63页 |
| 5.2 主题文本分类测试实验 | 第63-68页 |
| 5.2.1 性能评价指标 | 第63-64页 |
| 5.2.2 实验数据集 | 第64页 |
| 5.2.3 实验环境 | 第64页 |
| 5.2.4 多模型对比实验和分析 | 第64-67页 |
| 5.2.5 单个分类器性能分析 | 第67页 |
| 5.2.6 词向量训练实验和分析 | 第67-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第6章 系统实现及应用 | 第69-76页 |
| 6.1 系统相关应用 | 第69-75页 |
| 6.1.1 分布式数据采集系统 | 第70-72页 |
| 6.1.2 数据清洗和搜索系统 | 第72-74页 |
| 6.1.3 文本分类Web服务 | 第74-75页 |
| 6.2 本章小结 | 第75-76页 |
| 第7章 总结与展望 | 第76-79页 |
| 7.1 全文总结 | 第76-77页 |
| 7.2 未来展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 攻读硕士学位期间主要的研究成果 | 第82-83页 |
| 致谢 | 第83页 |
