| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 引言 | 第12-20页 |
| ·研究目的、意义及研究背景 | 第12-15页 |
| ·网页自动分类 | 第15-16页 |
| ·搜索引擎 | 第16-18页 |
| ·本论文的主要工作 | 第18页 |
| ·论文的结构 | 第18-20页 |
| 第2章 数码相机专题网页的统计分析 | 第20-26页 |
| ·数码相机Web网页的特点 | 第20-21页 |
| ·分布的时间特性 | 第20页 |
| ·分布的空间特性 | 第20-21页 |
| ·数码相机Web网页的特点 | 第21-22页 |
| ·数码相机Web网页用字、用词统计 | 第22-24页 |
| ·关键词在数码相机网页两个分类阶段的作用及词表的建立 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 网页自动分类技术概述 | 第26-43页 |
| ·中文网页的预处理 | 第26-28页 |
| ·分类模型 | 第28-31页 |
| ·布尔模型(Boolean Model) | 第28-29页 |
| ·向量空间模型(Vector Space Model) | 第29-30页 |
| ·概率模型(Probabilistic Model) | 第30页 |
| ·语言模型(Language Model) | 第30-31页 |
| ·特征选择及权值计算 | 第31-35页 |
| ·文档频率(Document Frequency,DF) | 第31-32页 |
| ·信息增益(Information Gain,IG) | 第32页 |
| ·交叉熵(Cross Entropy,CE) | 第32页 |
| ·互信息(Mutual Information,MI) | 第32-33页 |
| ·χ~2统计量(CHI) | 第33-34页 |
| ·文本证据权(Weight of Evidence Text,WET) | 第34页 |
| ·几率比(Odds Ratio,OR) | 第34-35页 |
| ·特征强度(Term Strength,TS) | 第35页 |
| ·分类器的设计 | 第35-41页 |
| ·基于类中心的最小距离分类器 | 第36页 |
| ·K近邻分类器(K-Nearest) | 第36-37页 |
| ·贝叶斯分类器(Bayes) | 第37-39页 |
| ·支持向量机分类器(SVM) | 第39-41页 |
| ·评价方法 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 中文数码相机网页的过滤及实验分析 | 第43-61页 |
| ·实验的总体介绍 | 第43-45页 |
| ·实验数据的采集 | 第43-44页 |
| ·面向数码相机Web网页过滤系统的构成 | 第44-45页 |
| ·实验数据的预处理 | 第45-46页 |
| ·最小距离分类器与各种特征选择方法结合的网页过滤比较 | 第46-54页 |
| ·直接使用TF | 第47-48页 |
| ·文档频率(DF) | 第48页 |
| ·信息增益(IG) | 第48-49页 |
| ·交叉熵(CE) | 第49-50页 |
| ·互信息(MI) | 第50-51页 |
| ·χ~2统计量(CHI) | 第51页 |
| ·文本证据权(WET) | 第51-52页 |
| ·几率比(OR) | 第52页 |
| ·各种特征选择方法的比较 | 第52-53页 |
| ·对几率比和互信息两种特征选择方法的改进 | 第53-54页 |
| ·贝叶斯分类器和支持向量机的分类实验 | 第54-59页 |
| ·朴素贝叶斯(Naive Bayes)分类器 | 第55-58页 |
| ·支持向量机(Support Vector Machine)分类器 | 第58-59页 |
| ·三种分类器的性能比较 | 第59页 |
| ·本章小结 | 第59-61页 |
| 第5章 中文网页的自适应分类 | 第61-73页 |
| ·自适应分类模型 | 第61-64页 |
| ·检索字扩展模型——Rocchio算法 | 第61-62页 |
| ·自适应分类模型——Improved Rocchio算法 | 第62-64页 |
| ·自适应分类的实现 | 第64-66页 |
| ·分类实验及结果 | 第66-71页 |
| ·实验数据及预处理 | 第66-67页 |
| ·分类器及评价方法 | 第67页 |
| ·实验结果 | 第67-71页 |
| ·本章小结 | 第71-73页 |
| 第6章 基于密度的中文网页聚类 | 第73-82页 |
| ·网页聚类所面临的问题 | 第73-76页 |
| ·聚类算法 | 第73-76页 |
| ·特征的选择与提取 | 第76页 |
| ·Web文档聚类的实现方法 | 第76-78页 |
| ·Web文档聚类的实验结果 | 第78-81页 |
| ·本章小结 | 第81-82页 |
| 结论及工作展望 | 第82-85页 |
| 1.本论文主要工作包括以下几个方面 | 第82-83页 |
| 2.对未来工作的展望 | 第83-85页 |
| 参考文献 | 第85-88页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第88-89页 |
| 致谢 | 第89页 |
