中文農(nóng)業(yè)網(wǎng)頁(yè)去重及相似度判斷研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩53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、隨著網(wǎng)絡(luò)信息技術(shù)的飛速發(fā)展,農(nóng)業(yè)信息化的建設(shè)、服務(wù)水平得到了極大的促進(jìn)與提高。互聯(lián)網(wǎng)中海量、重復(fù)的農(nóng)業(yè)信息為從事農(nóng)業(yè)領(lǐng)域的朋友們帶來(lái)方便的同時(shí),也增加了快速、準(zhǔn)確獲取有效信息的難度。如何對(duì)農(nóng)業(yè)網(wǎng)頁(yè)中重復(fù)以及近似重復(fù)的網(wǎng)頁(yè)進(jìn)行有效的管理,成為農(nóng)業(yè)垂直搜索引擎領(lǐng)域研究的重要課題之一。本文的工作主要包括以下幾個(gè)方面:
  1)深入研究了文本去重及相似度判斷的關(guān)鍵技術(shù),網(wǎng)頁(yè)預(yù)處理、網(wǎng)頁(yè)正文內(nèi)容提取、中文分詞、特征加權(quán)算法、網(wǎng)頁(yè)去重方法、文

2、本相似度計(jì)算方法以及相似度評(píng)價(jià)標(biāo)準(zhǔn)技術(shù),以農(nóng)業(yè)網(wǎng)頁(yè)語(yǔ)料庫(kù)為基礎(chǔ),重點(diǎn)研究了網(wǎng)頁(yè)去重技術(shù)、特征加權(quán)算法以及相似度計(jì)算的方法。
  2)對(duì)中文農(nóng)業(yè)網(wǎng)頁(yè)中重復(fù)及近似重復(fù)的網(wǎng)頁(yè)的定義標(biāo)準(zhǔn)進(jìn)行研究,構(gòu)建出中文農(nóng)業(yè)網(wǎng)頁(yè)語(yǔ)料庫(kù)。建立一個(gè)由人工鑒別出的網(wǎng)頁(yè)集合,包含225組網(wǎng)頁(yè)集,每組網(wǎng)頁(yè)集中有2至14張近似重復(fù)網(wǎng)頁(yè),共1110篇網(wǎng)頁(yè)作為網(wǎng)頁(yè)測(cè)試集。
  3)首先對(duì)網(wǎng)頁(yè)進(jìn)行預(yù)處理,使用MD5方法去除網(wǎng)頁(yè)集合中完全相同的網(wǎng)頁(yè),再對(duì)其余網(wǎng)頁(yè)提取

3、出正文內(nèi)容,利用庖丁解牛分詞方法進(jìn)行分詞、去除停用詞后,分別使用布爾權(quán)重、詞頻權(quán)重、詞頻倒文檔權(quán)重三種方法對(duì)特征詞進(jìn)行加權(quán)計(jì)算;最后分別使用三種相似度算法(向量空間模型、基于《知網(wǎng)》的語(yǔ)義相似度、潛在語(yǔ)義分析)對(duì)三種不同權(quán)重的特征向量空間模型進(jìn)行了相似度計(jì)算,最終得到9組中文農(nóng)業(yè)網(wǎng)頁(yè)相似度判斷結(jié)果。
  4)分析比較了9組實(shí)驗(yàn)的準(zhǔn)確率、召回率、F1測(cè)度。結(jié)果表明,沒(méi)有哪種特征加權(quán)算法對(duì)相似度判斷有絕對(duì)的優(yōu)勢(shì),三種特征加權(quán)算法在不同

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