基于DIV標(biāo)簽樹的網(wǎng)頁主題信息抽取方法.pdf_第1頁
已閱讀1頁，還剩71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(rèn)領(lǐng)

文檔簡介

1、近年來,因特網(wǎng)上的信息資源以爆炸式的速度在不斷增長。面對如此巨大的互聯(lián)網(wǎng)信息庫,如何快速、有效、經(jīng)濟地得到某個主題的所有相關(guān)信息就成了當(dāng)前一個十分熱門的研究課題。由于CSS+DIV布局方式逐漸成為網(wǎng)頁結(jié)構(gòu)布局的主流,對此類網(wǎng)頁進行高效的主題信息抽取已越來越受到人們的重視。
　　 針對CSS+DIv布局的新聞網(wǎng)頁,本文提出了一種新的基于DIv標(biāo)簽樹的網(wǎng)頁主題信息抽取方法,主要包括以下三個過程:
　　 HTML解析過程:通過

2、讀取網(wǎng)頁源代碼獲取HTML文檔,從文檔中抽取每一個DIV標(biāo)簽對,DIV標(biāo)簽對可以嵌套,每一個DIV標(biāo)簽對對應(yīng)著一棵DIV標(biāo)簽樹,因此將嵌套的DIV標(biāo)簽樹抽取出來作為被嵌套的DIV標(biāo)簽樹的子樹,從而將HTML文檔轉(zhuǎn)換成DIV森林。
　　 噪聲過濾過程:過濾掉DIV標(biāo)簽樹中不包含主題信息的噪聲結(jié)點。
　　 剪枝過程:首先建立STU-DIV模型樹,然后通過主題相關(guān)度分析,判定并剪掉與主題信息無關(guān)的DIV標(biāo)簽樹。
　　

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(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。

評論

0/150

提交評論