面向多通道爬蟲的Web信息抽取技術(shù)研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩78頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著Internet的迅猛發(fā)展,網(wǎng)絡(luò)已經(jīng)成為一個(gè)信息發(fā)布和消費(fèi)的巨大平臺(tái)?;ヂ?lián)網(wǎng)具有快速傳播和廣泛覆蓋的特性,對(duì)互聯(lián)網(wǎng)輿情進(jìn)行有效監(jiān)控是必不可少的。由于網(wǎng)頁(yè)固有的半結(jié)構(gòu)性以及大量存在的與主題無(wú)關(guān)的噪聲,研究如何從Web中抽取人們所需要的信息變得越來(lái)越重要。在一個(gè)聚焦于新聞、博客和論壇(它們都是很有代表性的信息傳播渠道)的多通道爬蟲系統(tǒng)中,我們面臨如下挑戰(zhàn):1)大量網(wǎng)站需要監(jiān)控;2)網(wǎng)站有不同的結(jié)構(gòu)和布局;3)網(wǎng)站會(huì)不定期改版。這些挑戰(zhàn)促

2、使我們提出高度自動(dòng)化的Web信息抽取技術(shù),以減少系統(tǒng)的擴(kuò)展和維護(hù)成本。
  對(duì)于新聞、博客這種正文密集的網(wǎng)站,本文提出了一個(gè)模板無(wú)關(guān)的基于有效字符的內(nèi)容抽取算法CEVC(Content Extraction via Valid Characters)。為了驗(yàn)證該方法,我們從知名的中文新聞和博客網(wǎng)站上任意爬取了部分網(wǎng)頁(yè),構(gòu)成測(cè)試數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明CEVC能達(dá)到平均95.8%的F1-measure,效果優(yōu)于之前的算法CETR

3、和CEPR,雖然抽取性能和CETD相當(dāng),但在預(yù)處理階段依賴更小,適用性更強(qiáng)。
  對(duì)于典型的論壇網(wǎng)站,本文利用帖子中普遍存在的發(fā)帖時(shí)間信息,提出了一個(gè)論壇帖子抽取算法PEAN (Post Extraction via Anchor Nodes)。為了和同樣利用發(fā)帖時(shí)間信息的帖子抽取算法MiBAT比較效果,我們從知名的中文論壇網(wǎng)站上采集網(wǎng)頁(yè)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明PEAN相比于MiBAT在召回率指標(biāo)上有大幅度提升,平均94. 7%的F

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論