Web信息抽取在書簽系統(tǒng)中的應(yīng)用研究與實(shí)現(xiàn).pdf

1、社會(huì)化書簽系統(tǒng)是Web信息資源收集、管理、分享的有效工具，但是它的社會(huì)化功能取決于用戶量與資源量。本文主要的研究內(nèi)容是如何將Web信息抽取等自然語言相關(guān)研究應(yīng)用于書簽系統(tǒng)中，解決書簽系統(tǒng)的冷啟動(dòng)問題，提高用戶體驗(yàn)。
　　本文首先研究并實(shí)現(xiàn)了Web信息抽取算法。本文的Web信息抽取算法以Goose項(xiàng)目為基礎(chǔ)，改進(jìn)了Web網(wǎng)頁數(shù)據(jù)抓取，添加了對網(wǎng)頁編碼的自動(dòng)識別，通過觀察與總結(jié)大量網(wǎng)站的HTML結(jié)構(gòu)特征，優(yōu)化了對網(wǎng)頁的預(yù)處理，并添加了

2、對中文網(wǎng)頁信息抽取的支持，最后對正文進(jìn)行格式化處理，以優(yōu)化閱讀體驗(yàn)。最終實(shí)現(xiàn)了基于ElementTree的Web信息抽取模塊。該模塊能夠用于生產(chǎn)系統(tǒng)中，具有較強(qiáng)的實(shí)用性。同時(shí)本文基于Web信息抽取的結(jié)果與Web網(wǎng)頁的元數(shù)據(jù)，實(shí)現(xiàn)了基于資源的標(biāo)簽推薦算法，并簡單實(shí)現(xiàn)了網(wǎng)頁摘要功能。
　　本文設(shè)計(jì)并實(shí)現(xiàn)了書簽系統(tǒng)，基礎(chǔ)架構(gòu)采用Tornado作為Web服務(wù)器兼Web開發(fā)框架，MongoDB作為數(shù)據(jù)庫服務(wù)器，客戶端使用AngularJS框

3、架、jQuery框架，同時(shí)使用BootStrap3樣式風(fēng)格，實(shí)現(xiàn)了響應(yīng)式布局與扁平化網(wǎng)格的客戶端應(yīng)用，并實(shí)現(xiàn)了Chrome瀏覽器插件。系統(tǒng)實(shí)現(xiàn)中整合了Web信息抽取模塊，為用戶提供書簽內(nèi)容閱讀編輯等功能，有效的提高了用戶體驗(yàn)。
　　基于信息抽取的結(jié)果，本文書簽系統(tǒng)的搜索功能能夠采用了全文搜索實(shí)現(xiàn)，避免了傳統(tǒng)書簽系統(tǒng)中通常只針對標(biāo)簽或標(biāo)題進(jìn)行搜索的局限性，也避免了對整個(gè)Web頁面進(jìn)行全文搜索存在的噪音信息。
　　本文實(shí)現(xiàn)的系統(tǒng)