| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·本文研究的内容和主要创新点 | 第14-15页 |
| ·本文研究的内容 | 第14页 |
| ·本文的主要创新点 | 第14-15页 |
| ·论文的组织结构 | 第15-16页 |
| 第2章 Web文本预处理 | 第16-26页 |
| ·Web文本、HTML及相关知识 | 第16-17页 |
| ·去除Web文本HTML标记等冗余信息 | 第17页 |
| ·中文分词 | 第17-25页 |
| ·主要中文分词方法 | 第18-21页 |
| ·中文分词算法设计 | 第21-23页 |
| ·中文分词的结果 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于最小风险贝叶斯决策的最高安全级别过滤算法的研究 | 第26-40页 |
| ·贝叶斯算法 | 第26-31页 |
| ·概率论方面的基础知识 | 第26-27页 |
| ·贝叶斯统计模型 | 第27-29页 |
| ·贝叶斯过滤模型的P(d_x|C_j)估计模型 | 第29-31页 |
| ·贝叶斯算法在实际过滤中的应用 | 第31-35页 |
| ·特征项的提取 | 第31-33页 |
| ·公式依据 | 第33-34页 |
| ·贝叶斯过滤算法 | 第34-35页 |
| ·贝叶斯算法优点和局限性 | 第35-36页 |
| ·最高安全级别贝叶斯过滤算法的研究与应用 | 第36-38页 |
| ·基于最小风险的贝叶斯决策规则 | 第36-37页 |
| ·基于管理反馈的最高安全级别过滤算法 | 第37-38页 |
| ·本章小结 | 第38-40页 |
| 第4章 改进的贝叶斯增量学习算法的研究 | 第40-44页 |
| ·存在问题 | 第40-41页 |
| ·算法思想 | 第41-42页 |
| ·算法描述 | 第42-43页 |
| ·算法评价 | 第43页 |
| ·本章小结 | 第43-44页 |
| 第5章 模型的设计及实验结果分析 | 第44-56页 |
| ·过滤模型设计 | 第44-45页 |
| ·系统实现 | 第45-50页 |
| ·Web文本预处理程序 | 第45-47页 |
| ·贝叶斯过滤算法程序实现 | 第47-50页 |
| ·评价标准 | 第50-51页 |
| ·实验结果及分析 | 第51-55页 |
| ·算法实验一 | 第52-54页 |
| ·算法实验二 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-57页 |
| ·总结 | 第56页 |
| ·展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士期间公开发表/录用的学术论文 | 第62页 |