基于行為識別的網(wǎng)頁文本分類算法研究與實現(xiàn).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(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、近年來互聯(lián)網(wǎng)快速發(fā)展,網(wǎng)絡(luò)中出現(xiàn)了海量、動態(tài)、半結(jié)構(gòu)化或者非結(jié)構(gòu)化的信息,這些信息80%以上都是以文本形式存在。網(wǎng)頁分類是搜索引擎、網(wǎng)頁過濾、網(wǎng)絡(luò)信息管理的技術(shù)基礎(chǔ),因此對網(wǎng)頁分類的研究越來越重要。網(wǎng)頁分類算法是網(wǎng)頁分類過程中的一個重要步驟,分類算法的優(yōu)劣直接影響分類效果的好壞。網(wǎng)頁分類技術(shù)建立在文本分類的基礎(chǔ)上,但又不同于純文本分類技術(shù)有所差異,這是因為網(wǎng)頁中存在“噪音”信息以及網(wǎng)頁的半結(jié)構(gòu)化特點。
   文本分類由文本預(yù)處理

2、,特征詞庫的建立、文本分類器、文本分類結(jié)果測試這幾個部分組成。本文圍繞搜索引擎優(yōu)化對網(wǎng)站設(shè)計具有引導(dǎo)性的研究基礎(chǔ)上,對網(wǎng)頁進(jìn)行行為分析,提出了一種新的網(wǎng)頁文本分類算法——基于行為識別的網(wǎng)頁文本分類算法。本文的主要研究工作如下:
   在對網(wǎng)頁行為的研究中發(fā)現(xiàn),網(wǎng)站的設(shè)計受搜索引擎優(yōu)化技術(shù)的影響,網(wǎng)站設(shè)計者為了提高網(wǎng)站的搜索排名,利用元標(biāo)簽反應(yīng)網(wǎng)站主題,因此元標(biāo)簽對反映網(wǎng)站的主題有很大的貢獻(xiàn)。并且在這種半結(jié)構(gòu)化的文本結(jié)構(gòu)中,絕大多

3、數(shù)網(wǎng)頁中都包含title,keywords,descriptioN,subtitle等,利用網(wǎng)站的這一行為特點提出了新的算法。
   基于行為識別的網(wǎng)頁文本分類算法充分考慮到網(wǎng)站中語言多元化的特點,將網(wǎng)頁的文字編碼進(jìn)行統(tǒng)一,最大可能的消除了語言之間的區(qū)別帶來的干擾。
   本文同時完成了對該算法的測試,并同國外的類似產(chǎn)品進(jìn)行比較。該算法正確率、召回率等都能達(dá)到90%,體現(xiàn)了良好的分類性能。
   論文最終給出了基

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。

評論

0/150

提交評論