基于KNN及相關鏈接的中文網(wǎng)頁分類研究.pdf

1、隨著Internet的飛速發(fā)展，網(wǎng)上信息正在呈指數(shù)級增長。面對雜亂的網(wǎng)頁信息資源，人們需要對海量的網(wǎng)頁信息進行分類整理，從而可以快速檢索到期望的目標及其關聯(lián)信息。網(wǎng)頁自動分類提供了處理和組織大規(guī)模網(wǎng)頁的關鍵技術，是使信息資源得以合理有效組織的重要方法。如何提高網(wǎng)頁分類的準確率和召回率，是研究人員不懈追求的目標。 本文通過中文網(wǎng)頁正文提取方法，較好地提取出中文網(wǎng)頁中的正文文本，將網(wǎng)頁標記的處理、噪音信息過濾和網(wǎng)頁正文提取三個方面結

2、合起來。網(wǎng)頁中的鏈接主要分為兩類，與本頁主題相關的鏈接稱為相關鏈接，與本頁主題無關的鏈接稱為無關鏈接，例如導航條和廣告鏈接等等。本文提出的相關鏈接提取算法，能夠較好地抽取出中文網(wǎng)頁中的相關鏈接，該算法時間復雜性低，準確率和召回率都令人滿意。本文基于向量空間模型，采用詞頻法選擇網(wǎng)頁中的特征詞，采用機器學習算法KNN對中文網(wǎng)頁進行分類，設計實現(xiàn)了一個中文網(wǎng)頁分類器。比較了基于網(wǎng)頁標題分類、基于網(wǎng)頁正文分類、基于網(wǎng)頁相關鏈接分類，以及將正文與