Web中的非結(jié)構(gòu)化文本信息管理元數(shù)據(jù)技術(shù)研究.pdf

1、隨著Internet發(fā)展進(jìn)程的加快，網(wǎng)絡(luò)信息資源在數(shù)量上呈爆炸式增長(zhǎng)。現(xiàn)有的搜索引擎大多是基于文本和關(guān)鍵字的通用檢索，存在查詢(xún)方式單一、查準(zhǔn)率低、用戶(hù)滿(mǎn)意度差等諸多問(wèn)題。為了解決這些問(wèn)題，本文利用元數(shù)據(jù)對(duì)Web中非結(jié)構(gòu)化文本進(jìn)行描述性標(biāo)記來(lái)達(dá)到提高信息檢索質(zhì)量的目的。 本文的主要研究工作包括以下三個(gè)方面： 其一，對(duì)Web中非結(jié)構(gòu)化文本信息特點(diǎn)進(jìn)行分析后，參考國(guó)內(nèi)外各種網(wǎng)絡(luò)信息資源元數(shù)據(jù)模型，完成了Web中非結(jié)構(gòu)化文本信息

2、元數(shù)據(jù)的標(biāo)準(zhǔn)化工作，并確定了元數(shù)據(jù)的核心集。 其二，研究了Web中非結(jié)構(gòu)化文本信息元數(shù)據(jù)的自動(dòng)抽取技術(shù)。通過(guò)網(wǎng)絡(luò)蜘蛛程序提取標(biāo)題、URL、作者、日期等元數(shù)據(jù)。在對(duì)關(guān)鍵詞元數(shù)據(jù)提取過(guò)程中，采用ICTCLAS中文分詞系統(tǒng)，實(shí)現(xiàn)了分詞系統(tǒng)的JAVA調(diào)用。對(duì)分詞系統(tǒng)中N．最短路徑的粗分模型進(jìn)行了改進(jìn)，通過(guò)過(guò)濾無(wú)覆蓋型歧義切分結(jié)構(gòu)的切分方案，使得剩余粗分結(jié)果數(shù)量大大減少。 其三，在元數(shù)據(jù)標(biāo)準(zhǔn)的基礎(chǔ)上，對(duì)如何有效的進(jìn)行元數(shù)據(jù)的存儲(chǔ)和