2023年全國碩士研究生考試考研英語一試題真題（含答案詳解+作文范文）_第1頁
已閱讀1頁，還剩49頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：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)，請進行舉報或認領(lǐng)

文檔簡介

1、隨著網(wǎng)絡(luò)信息資源的不斷增長，從海量數(shù)據(jù)中獲取有用信息已成為互聯(lián)網(wǎng)的一個重要研究課題。作為關(guān)系數(shù)據(jù)的一種簡潔而有效的表示手段，表格廣泛存在于Web文檔中。存儲在表格中的數(shù)據(jù)具有良好的結(jié)構(gòu)，蘊含了重要的價值，對于知識發(fā)現(xiàn)、信息檢索、數(shù)據(jù)挖掘等應(yīng)用能提供很大的幫助。相關(guān)研究表明:約52％的HTML文檔中存在

標簽。然而，大部分
標簽的使用目的是為了排版和美觀，而非存放關(guān)系數(shù)據(jù)。如何檢測出存儲關(guān)系數(shù)據(jù)的真實數(shù)據(jù)表格是我們

2、在表格挖掘過程中所面臨的第一個難題。
　　針對數(shù)據(jù)表格的檢測問題，本文具體進行了如下研究工作。首先是HTML表格的抽取與標注:利用開源工具Nutch爬取網(wǎng)頁并抽取出HTML表格，即

..
標簽的內(nèi)容;對于部分HTML表格，使用人工標注將其區(qū)分為數(shù)據(jù)表格和非數(shù)據(jù)表格。接著，對于每個HTML表格，我們進行視覺、詞法、語義三類特征的抽取:視覺特征主要包括表格單元格的大小單元格背景顏色、單元格內(nèi)容的字體大小及類型

溫馨提示

  • 1. 本站所有資源如無特殊說明，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)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 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. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論