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(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、隨著互聯(lián)網(wǎng)技術(shù)的持續(xù)高速發(fā)展,網(wǎng)絡(luò)上的網(wǎng)頁數(shù)目成爆炸式增長,搜索引擎已成為人們?nèi)粘I钪斜夭豢缮俚墨@取信息的工具。然而,原始網(wǎng)頁中的非正文信息及網(wǎng)絡(luò)上的重復(fù)網(wǎng)頁給搜索引擎帶來了很大的干擾,這使得網(wǎng)頁正文提取及網(wǎng)頁去重成為搜索引擎領(lǐng)域亟待解決的兩個(gè)重要問題。
本文提出了一種基于最大連續(xù)子序列和的網(wǎng)頁正文提取算法。該算法擺脫了現(xiàn)有主流方法對DOM樹的依賴,它和網(wǎng)頁HTML源碼結(jié)構(gòu)無關(guān),從而提高了算法在執(zhí)行過程中的健壯性。最重要
2、的是,該算法以線性時(shí)間提取網(wǎng)頁正文內(nèi)容,大大提高了提取效率,同時(shí)以較高的精度保證提取結(jié)果的正確性。
本文還提出了基于關(guān)鍵長句和預(yù)分類的網(wǎng)頁去重算法。該算法結(jié)合了基于上下文和和基于語義的特征提取技術(shù)的長處,將文中詞語的權(quán)重和所處上下文環(huán)境相結(jié)合,從而既發(fā)揮了語義的重要性,又發(fā)揮了上下文的聯(lián)系性,大大提高了文檔特征提取的準(zhǔn)確度,同時(shí)降低了所需特征的數(shù)量,提高了查重效率。另外,該算法在網(wǎng)頁正文提取的基礎(chǔ)上,提出了預(yù)分類技術(shù),該技
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(huì)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(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)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(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)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(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自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于正文結(jié)構(gòu)和長句提取的網(wǎng)頁去重研究.pdf
- 基于網(wǎng)頁正文結(jié)構(gòu)樹的近似網(wǎng)頁去重算法研究.pdf
- 基于標(biāo)簽分析的網(wǎng)頁正文提取技術(shù)研究.pdf
- 基于正文結(jié)構(gòu)樹的近似網(wǎng)頁去重研究.pdf
- 專業(yè)搜索引擎中網(wǎng)頁去重技術(shù)研究.pdf
- 網(wǎng)頁排重技術(shù)研究及應(yīng)用.pdf
- 近似鏡像網(wǎng)頁去重方法研究.pdf
- 中文農(nóng)業(yè)網(wǎng)頁去重及相似度判斷研究.pdf
- 基于內(nèi)容的網(wǎng)頁查重技術(shù)研究.pdf
- 基于內(nèi)容的跨語言網(wǎng)頁去重研究.pdf
- 網(wǎng)頁去噪與特征提取算法的研究及實(shí)現(xiàn).pdf
- 基于web的網(wǎng)頁鏈接與正文抽取技術(shù)研究.pdf
- 基于重復(fù)串的STC網(wǎng)頁去重算法研究.pdf
- 數(shù)據(jù)備份系統(tǒng)中數(shù)據(jù)去重技術(shù)研究.pdf
- Web網(wǎng)頁去噪及信息提取算法的研究與應(yīng)用.pdf
- 基于模糊匹配思想的網(wǎng)頁去重算法.pdf
- 校園網(wǎng)搜索引擎中網(wǎng)頁去重技術(shù)的研究.pdf
- 基于視覺語義塊的網(wǎng)頁正文提取算法研究.pdf
- 基于文本結(jié)構(gòu)的近似鏡像網(wǎng)頁去重.pdf
- 多頁面特殊網(wǎng)頁文字提取與合并技術(shù)研究.pdf
評論
0/150
提交評論