基于URL模式的網頁分類算法研究.pdf_第1頁
已閱讀1頁,還剩63頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著互聯(lián)網和移動互聯(lián)網的快速發(fā)展,如何高效地組織和管理海量的網頁信息越來越成為棘手的問題。網頁分類研究作為Web挖掘的一個基礎步驟,在搜索引擎、主題爬蟲和維護目錄式網站等許多應用中均發(fā)揮著重要作用。
  基于內容的網頁分類技術大多從網頁內容、超鏈接結構和鄰居節(jié)點等信息中抽取出大量特征,然后使用有監(jiān)督學習方法進行分類。而只基于URL的網頁分類技術則僅基于網頁URL信息進行分類。雖然網頁分類技術已經被大量研究過,但是已有方法過于依賴特

2、征工程,訓練所需時間代價較大,而且不能較好地處理數(shù)據中的噪音問題。另外,現(xiàn)有方法未考慮增量學習情形,該問題在訓練數(shù)據流式產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,提出了UPCA算法。根據特定類型網頁的訓練集,通過模式樹的構建和模式規(guī)則的提取,我們可以獲得該類型網頁URL所遵循的通用模式庫。模式庫可以代表對應類型網頁URL集合的結構特點。對于新來的網頁,我們只需將網頁URL和已得到的模式庫匹配來判斷網頁是

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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確性、安全性和完整性, 同時也不承擔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