基于URL模式的網(wǎng)頁分類算法研究.pdf_第1頁
已閱讀1頁，還剩63頁未讀， 繼續(xù)免費(fèi)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、隨著互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)的快速發(fā)展，如何高效地組織和管理海量的網(wǎng)頁信息越來越成為棘手的問題。網(wǎng)頁分類研究作為Web挖掘的一個基礎(chǔ)步驟，在搜索引擎、主題爬蟲和維護(hù)目錄式網(wǎng)站等許多應(yīng)用中均發(fā)揮著重要作用。
　　基于內(nèi)容的網(wǎng)頁分類技術(shù)大多從網(wǎng)頁內(nèi)容、超鏈接結(jié)構(gòu)和鄰居節(jié)點(diǎn)等信息中抽取出大量特征，然后使用有監(jiān)督學(xué)習(xí)方法進(jìn)行分類。而只基于URL的網(wǎng)頁分類技術(shù)則僅基于網(wǎng)頁URL信息進(jìn)行分類。雖然網(wǎng)頁分類技術(shù)已經(jīng)被大量研究過，但是已有方法過于依賴特

2、征工程，訓(xùn)練所需時間代價較大，而且不能較好地處理數(shù)據(jù)中的噪音問題。另外，現(xiàn)有方法未考慮增量學(xué)習(xí)情形，該問題在訓(xùn)練數(shù)據(jù)流式產(chǎn)生的情景中尤為突出。
　　在本文中，我們引入模式樹的思想并加以改進(jìn)，提出了UPCA算法。根據(jù)特定類型網(wǎng)頁的訓(xùn)練集，通過模式樹的構(gòu)建和模式規(guī)則的提取，我們可以獲得該類型網(wǎng)頁URL所遵循的通用模式庫。模式庫可以代表對應(yīng)類型網(wǎng)頁URL集合的結(jié)構(gòu)特點(diǎn)。對于新來的網(wǎng)頁，我們只需將網(wǎng)頁URL和已得到的模式庫匹配來判斷網(wǎng)頁是

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