面向Web文本數(shù)據倉庫的預處理關鍵技術研究.pdf_第1頁
已閱讀1頁，還剩69頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、隨著互聯(lián)網技術的發(fā)展，人們越來越多的利用Web獲得自己所需的資源。由于Web上各種資源非常豐富，包括大量的圖片、文本等信息。如何把Web中非結構化的文本結構化，抽取支持高級應用的有用信息并載入數(shù)據倉庫成為預處理的一個關鍵技術。
　　本文以Web文本數(shù)據倉庫中的預處理系統(tǒng)為例，重點討論了預處理中的關鍵技術。首先介紹了基于主題方法的Web文本數(shù)據倉庫的構建，并設計了其星型模型，從中得到需要從Web文本中獲取的信息。然后論述了文檔對象模

2、型(DOM)和信息抽取技術，通過對HTML解析把非結構化的Web文本變成DOM，獲得所需的標題、作者以及內容等信息，并為后續(xù)獲得其他所需信息的信息抽取操作提供了結構化模型。在信息抽取過程中采用了文本分詞、關鍵詞提取、自動摘要提取以及文本分類技術。由于分詞技術已經比較成熟，本文采用了中科院ICTCLAS分詞系統(tǒng)；在關鍵詞提取中采用基于詞共現(xiàn)模型的方法；在摘要提取的過程中，使用了一種改進的基于統(tǒng)計的摘要提取技術，獲得流暢的摘要，達到了較好的

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，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確性、安全性和完整性, 同時也不承擔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