

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、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,在線中文網(wǎng)頁的數(shù)量迅速增加,互聯(lián)網(wǎng)上的信息量越來越大。搜索引擎能夠有效地組織和分析海量的信息資源,幫助用戶迅速地獲取所需要的知識和信息。然而互聯(lián)網(wǎng)上的網(wǎng)頁普遍存在著一些與用戶需求無關(guān)的噪聲內(nèi)容,這些內(nèi)容影響了搜索引擎對網(wǎng)頁的處理質(zhì)量。因此,對全部網(wǎng)頁的預(yù)處理工作就必不可少。
本文的目的在于通過網(wǎng)頁預(yù)處理技術(shù),為搜索引擎建立一個內(nèi)容精煉、格式完整、編碼統(tǒng)一的凈化網(wǎng)頁庫,為其他模塊提供數(shù)據(jù)支持。
網(wǎng)
2、頁處理技術(shù)經(jīng)過多年的發(fā)展,逐漸形成了DOM結(jié)點(diǎn)解析與分塊解析兩種思路。然而由于對網(wǎng)頁分劃粒度的不當(dāng),前者容易割裂結(jié)點(diǎn)之間的語義關(guān)聯(lián),后者很難過濾分塊內(nèi)部的內(nèi)容。為了彌補(bǔ)他們的缺陷,本文找到了一種介于二者之間的網(wǎng)頁解析粒度,稱為內(nèi)容單元,并在內(nèi)容單元粒度上完成了網(wǎng)頁預(yù)處理工作。本文的研究內(nèi)容主要包括以下幾個方面:
(1)提出網(wǎng)頁內(nèi)容單元的定義,并以內(nèi)容單元為粒度完成網(wǎng)頁分割解析;
(2)利用內(nèi)容單元反映出來的網(wǎng)頁結(jié)構(gòu)特
3、征和語言特征,完成主題型網(wǎng)頁的識別;根據(jù)內(nèi)容單元的組成、結(jié)構(gòu)和功能,利用啟發(fā)式規(guī)則對其進(jìn)行取舍,完成網(wǎng)頁正文內(nèi)容的提取;識別具有特定功能的內(nèi)容單元,提取他們當(dāng)中蘊(yùn)含的網(wǎng)頁題目、時間、導(dǎo)航等信息;
(3)在單個網(wǎng)頁的基礎(chǔ)上構(gòu)造并行凈化程序,完成搜索引擎T級(terabyte)原始數(shù)據(jù)的凈化,重組格式,統(tǒng)一編碼。
從實(shí)驗(yàn)中得到的結(jié)論證明了網(wǎng)頁內(nèi)容單元解析粒度的有效性,對比顯示了基于內(nèi)容單元的網(wǎng)頁預(yù)處理對主題型網(wǎng)頁識別和正
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
- 基于頁面分塊的網(wǎng)頁內(nèi)容提取的研究與實(shí)現(xiàn).pdf
- 基于多特征的HTML網(wǎng)頁內(nèi)容提取的研究.pdf
- 結(jié)合網(wǎng)頁結(jié)構(gòu)特征與內(nèi)容特征的正文提取.pdf
- 基于搜索引擎的網(wǎng)頁主題內(nèi)容提取的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于增量更新的交互式網(wǎng)頁內(nèi)容提取技術(shù)研究.pdf
- 基于網(wǎng)頁內(nèi)容的廣告推介研究.pdf
- 基于標(biāo)簽識別的網(wǎng)頁源代碼分析與內(nèi)容提取應(yīng)用技術(shù)研究.pdf
- 基于網(wǎng)頁鏈接和網(wǎng)頁內(nèi)容疊加的垂直搜索策略與算法研究.pdf
- 基于內(nèi)容挖掘的Web網(wǎng)頁過濾方法研究與實(shí)現(xiàn).pdf
- 基于網(wǎng)頁內(nèi)容和鏈接的主題爬蟲研究與實(shí)現(xiàn).pdf
- 網(wǎng)頁內(nèi)容監(jiān)管系統(tǒng)的研究與實(shí)現(xiàn).pdf
- 基于網(wǎng)頁內(nèi)容和時間反饋的網(wǎng)頁排序PageRank算法研究.pdf
- 基于Web內(nèi)容挖掘的網(wǎng)頁分類與過濾研究與應(yīng)用.pdf
- 網(wǎng)頁內(nèi)容分級系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于內(nèi)容的跨語言網(wǎng)頁去重研究.pdf
- 基于文本內(nèi)容的網(wǎng)頁過濾技術(shù)研究.pdf
- 基于內(nèi)容的網(wǎng)頁查重技術(shù)研究.pdf
- 基于內(nèi)容安全的中文網(wǎng)頁過濾系統(tǒng).pdf
- 網(wǎng)頁內(nèi)容獲取及基于意圖的聚類.pdf
- 基于內(nèi)容的網(wǎng)頁惡意代碼檢測的研究與實(shí)現(xiàn).pdf
評論
0/150
提交評論