半結(jié)構(gòu)化網(wǎng)頁的信息抽取技術(shù)研究.pdf_第1頁
已閱讀1頁,還剩57頁未讀, 繼續(xù)免費(fèi)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(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、隨著國際互聯(lián)網(wǎng)的迅猛發(fā)展,網(wǎng)絡(luò)已經(jīng)成為人們發(fā)布和獲取信息的一個(gè)重要平臺。目前,大部分網(wǎng)頁都是通過服務(wù)器根據(jù)請求從后臺數(shù)據(jù)庫中查詢相關(guān)數(shù)據(jù),然后展示到一個(gè)列表頁面當(dāng)中。這些頁面一般都是由特定的入口查詢獲得的,而且網(wǎng)頁中的數(shù)據(jù)很難被其它應(yīng)用程序直接利用。因此如何自動抽取這些頁面中的重要信息就變得非常重要。
   介紹了網(wǎng)頁信息抽取技術(shù)的概念,要解決的主要問題以及相關(guān)技術(shù),分析了常用的網(wǎng)頁信息抽取算法及優(yōu)缺點(diǎn)。針對現(xiàn)有方法對主數(shù)據(jù)區(qū)域

2、的定位不準(zhǔn)確的問題,將最大扇出子樹法、最大內(nèi)容量增大法和最大標(biāo)記量法三種啟發(fā)式規(guī)則相結(jié)合,定位網(wǎng)頁的主數(shù)據(jù)區(qū)域。在數(shù)據(jù)記錄分離的過程中,現(xiàn)有方法需要對所有子樹進(jìn)行相似度判斷,算法效率較低,針對這一問題,提出了一種基于樹編輯距離的聚類算法,增加了聚類算法,減少了予樹的比較次數(shù),提高了算法效率。同時(shí)采用樹編輯距離表示子樹之間的相似度,更符合網(wǎng)頁的層次結(jié)構(gòu),算法準(zhǔn)確率更高。聚類后得到數(shù)據(jù)記錄的候選分割方案,給出了類之間相似度的計(jì)算公式,獲得最

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(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

評論

0/150

提交評論