2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩67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(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、互聯(lián)網(wǎng)迅猛發(fā)展,使得互聯(lián)網(wǎng)成為一個龐大的信息源。結(jié)構(gòu)化數(shù)據(jù)作為網(wǎng)絡(luò)中比較常見的數(shù)據(jù)形式之一,具有多種網(wǎng)頁呈現(xiàn)方式,對于這些數(shù)據(jù)的抽取,往往需要大量的人工操作,這給數(shù)據(jù)的抽取工作帶來了很大困難。因此,為了實現(xiàn)自動獲取網(wǎng)頁中的結(jié)構(gòu)化數(shù)據(jù)信息,基于結(jié)構(gòu)化數(shù)據(jù)的挖掘成為數(shù)據(jù)挖掘領(lǐng)域中的一個主要研究方向。目前,該領(lǐng)域已經(jīng)進(jìn)行了大量針對網(wǎng)頁信息抽取的研究,出現(xiàn)了很多關(guān)于數(shù)據(jù)價值評估的理論以及抽取網(wǎng)頁中結(jié)構(gòu)化數(shù)據(jù)的算法。
  本文主要面向富含數(shù)

2、據(jù)的兩種頁面--列表頁和詳情頁,在已有的結(jié)構(gòu)化數(shù)據(jù)抽取算法基礎(chǔ)上,針對多數(shù)據(jù)區(qū)域抽取的效率問題、圖表數(shù)據(jù)的識別和WEB表之間的實體關(guān)系挖掘等三個方面的問題,研究并提出了相應(yīng)的改進(jìn)算法。其中,第一種改進(jìn)的算法主要面向包含嵌套型數(shù)據(jù)的列表頁,解決了提高處理多數(shù)據(jù)區(qū)域時的效率問題。該算法在已有的平坦數(shù)據(jù)挖掘算法基礎(chǔ)上,加入了數(shù)據(jù)區(qū)域挖掘算法,根據(jù)構(gòu)造出的嵌套數(shù)據(jù)列表頁標(biāo)簽樹,找出所有數(shù)據(jù)區(qū)域并進(jìn)行統(tǒng)一處理,對所有子樹應(yīng)用簡單樹匹配和部分樹對齊

3、算法,生成全局模式,進(jìn)而抽取出所有的數(shù)據(jù)記錄;第二種改進(jìn)的算法主要針對識別圖表形式的結(jié)構(gòu)化數(shù)據(jù)所進(jìn)行的研究,是作為第一種方法的補充研究。首先通過結(jié)構(gòu)化數(shù)據(jù)抽取算法獲得富含結(jié)構(gòu)化信息的圖表所屬數(shù)據(jù)區(qū)域,其次應(yīng)用圖像信息二值化算法以及OCR算法,將圖表內(nèi)容轉(zhuǎn)化為文本,之后將轉(zhuǎn)化出的文本再應(yīng)用結(jié)構(gòu)化信息抽取算法,得到頁面中完整的有價值信息;第三種改進(jìn)的算法著重于數(shù)據(jù)表格內(nèi)部及表格之間實體關(guān)系的挖掘。這種方法在已有實體關(guān)系挖掘算法的基礎(chǔ)上,加入

4、實體關(guān)系候選項的反饋過程,先計算出超鏈接信息的置信度并找出候選關(guān)系,再計算此候選關(guān)系的可信度,將大于規(guī)定閾值的候選關(guān)系定為新的關(guān)系并加入到循環(huán)中,從而解決了原算法容易忽略超鏈接信息的問題,達(dá)到全面準(zhǔn)確的挖掘出實體關(guān)系的目的。
  上述三種方法實質(zhì)是針對面向數(shù)據(jù)抽取的不同階段設(shè)計的。第一種和第二種方法針對數(shù)據(jù)本身進(jìn)行數(shù)據(jù)抽取,第三種方法不僅面向多頁面數(shù)據(jù)抽取,同時也為之后的數(shù)據(jù)集成階段做準(zhǔn)備。三種方法相輔相成,填補了原算法的一些不足

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