

版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、網(wǎng)頁(yè)鏈接的抽取是指將網(wǎng)頁(yè)源代碼中的標(biāo)簽的href屬性的取值按照用戶的需求提取出來(lái)。目前網(wǎng)頁(yè)鏈接的抽取主要是將網(wǎng)頁(yè)中全部鏈接抽取出來(lái),并沒(méi)有對(duì)鏈接進(jìn)行分類(lèi),抽取的結(jié)果包含大量的無(wú)用鏈接,與用戶需求不符。本文按照新聞主題的不同,將網(wǎng)頁(yè)鏈接分成主題鏈接和噪聲鏈接兩類(lèi),而噪聲鏈接又分成外指噪聲和內(nèi)指噪聲。在此基礎(chǔ)上,本文采用了基于規(guī)則的機(jī)器學(xué)習(xí)技術(shù)獲取頁(yè)面的鏈接模式。首先利用在線算法與平攤分析對(duì)鏈接頁(yè)面分析,其次制定了樣本選擇規(guī)范對(duì)鏈接樣
2、本進(jìn)行選取,而后將學(xué)習(xí)到的鏈接模式表示為正則表達(dá)式,最終將鏈接模式與頁(yè)面所有鏈接進(jìn)行匹配,獲得主題鏈接。該方法的優(yōu)點(diǎn)是對(duì)更新頻繁的頁(yè)面進(jìn)行鏈接抽取時(shí),抽取時(shí)間大大縮短,克服了每次對(duì)同類(lèi)網(wǎng)站頁(yè)面進(jìn)行相同的頁(yè)面分析,適合周期性的對(duì)同一頁(yè)面進(jìn)行鏈接抽取。方法實(shí)現(xiàn)了快速、高效的鏈接抽取。
網(wǎng)頁(yè)正文的抽取是指將存在于網(wǎng)頁(yè)中的,與網(wǎng)頁(yè)主題相關(guān)的、結(jié)構(gòu)完整的文本提取出來(lái)。傳統(tǒng)的方法是將網(wǎng)頁(yè)結(jié)構(gòu)表示成樹(shù),但建樹(shù)與查找樹(shù)的過(guò)程中,空間與時(shí)間復(fù)雜
3、度都過(guò)高。而且網(wǎng)頁(yè)標(biāo)簽嵌套現(xiàn)象普遍,在后續(xù)正文抽取中,理清各文本段落間的關(guān)系需要反復(fù)遍歷其祖先及后代,效率低下。本文提出了基于線性化的段落劃分聚類(lèi)的網(wǎng)頁(yè)正文抽取方法。該方法將網(wǎng)頁(yè)源代碼進(jìn)行線性化重構(gòu),然后利用重構(gòu)后的代碼進(jìn)行網(wǎng)頁(yè)噪聲的初步去除,再經(jīng)過(guò)原始段落集的過(guò)濾劃分、段落聚類(lèi)得到網(wǎng)頁(yè)正文的脈絡(luò)段落,最后通過(guò)吸收偽噪聲段落生成網(wǎng)頁(yè)正文。該方法克服了對(duì)網(wǎng)頁(yè)建樹(shù)的復(fù)雜過(guò)程,具有簡(jiǎn)單、快速、準(zhǔn)確的特點(diǎn),實(shí)驗(yàn)表明該方法的抽取準(zhǔn)確率可以達(dá)99%
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于網(wǎng)頁(yè)分塊的Web信息抽取技術(shù)研究.pdf
- Web網(wǎng)頁(yè)正文抽取方法研究.pdf
- 基于Web的信息抽取技術(shù)研究.pdf
- 面向數(shù)字旅游網(wǎng)頁(yè)的Web信息抽取技術(shù)研究.pdf
- 基于網(wǎng)頁(yè)分塊的Web信息抽取的研究與應(yīng)用.pdf
- Web信息抽取技術(shù)研究與基于Web service的實(shí)現(xiàn).pdf
- 基于中文開(kāi)放鏈接數(shù)據(jù)的實(shí)例抽取技術(shù)研究.pdf
- 基于DOM的智能網(wǎng)頁(yè)信息抽取技術(shù)研究.pdf
- 基于XML的藏文網(wǎng)頁(yè)的信息抽取與轉(zhuǎn)存技術(shù)研究.pdf
- 基于DOM樹(shù)的web新聞?wù)某槿〖夹g(shù)的研究與實(shí)現(xiàn).pdf
- Web頁(yè)面鏈接文本信息抽取與分類(lèi)的研究.pdf
- 基于網(wǎng)頁(yè)結(jié)構(gòu)的Web數(shù)據(jù)抽取方法研究.pdf
- 基于語(yǔ)義的web信息抽取技術(shù)研究
- 基于語(yǔ)義的Web信息抽取技術(shù)研究.pdf
- 基于WEB的商品屬性抽取與分類(lèi)技術(shù)研究.pdf
- 基于REIE的Web信息抽取技術(shù)研究.pdf
- 基于模板化網(wǎng)絡(luò)爬蟲(chóng)技術(shù)的Web網(wǎng)頁(yè)信息抽取.pdf
- 基于信息熵的Web信息抽取技術(shù)研究.pdf
- 基于HTML的WEB就業(yè)信息抽取技術(shù)研究.pdf
- 基于XML面向Web的數(shù)據(jù)抽取技術(shù)研究.pdf
評(píng)論
0/150
提交評(píng)論