2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩71頁未讀 繼續(xù)免費閱讀

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Internet的高速發(fā)展,互聯(lián)網(wǎng)上的信息越來越多,呈現(xiàn)爆炸式增長,以互聯(lián)網(wǎng)信息為數(shù)據(jù)基礎(chǔ)的云計算和大數(shù)據(jù)分析技術(shù)隨之興起。然而,在互聯(lián)網(wǎng)上,所有的網(wǎng)頁不僅含有重要信息,同時也包含了與主題信息無關(guān)的噪聲信息,比如廣告信息,導(dǎo)航欄等。它們嚴(yán)重影響了信息抽取的準(zhǔn)確性,因而網(wǎng)頁信息抽取技術(shù)的研究應(yīng)運而生,成為研究的熱點。
  另一方面,在現(xiàn)有的網(wǎng)頁信息抽取方法中,其重點在于區(qū)分頁面的重要信息和噪聲信息,提高重要信息抽取的準(zhǔn)確性和效率

2、性,但對于抽取后網(wǎng)頁信息數(shù)據(jù)卻缺乏形式化組織,導(dǎo)致獲取的重要信息相互雜糅在一起,形成了無法區(qū)分的整段信息,無法對重要信息再進(jìn)行分類,導(dǎo)致抽取的網(wǎng)頁信息粒度較粗,在后續(xù)應(yīng)用中可用性較差。
  本文介紹了網(wǎng)頁信息抽取技術(shù)的發(fā)展、原理和相關(guān)技術(shù),深入討論了現(xiàn)有網(wǎng)頁信息抽取技術(shù),重點研究了VIPS算法。本文主要研究點如下:
  (1)針對現(xiàn)有網(wǎng)頁信息形式化組織的缺乏,本文提出了一種網(wǎng)頁信息形式化描述,在清除了網(wǎng)頁噪聲信息的基礎(chǔ)上,將

3、原有網(wǎng)頁重要信息的粗粒度進(jìn)行細(xì)分,針對互聯(lián)網(wǎng)中比重最大的門戶類網(wǎng)站,我們將網(wǎng)頁重要信息描述為主題,發(fā)表日期,瀏覽次數(shù),正文信息,多媒體信息,評論信息等形式化結(jié)構(gòu),同時為每部分形式化描述設(shè)置不同權(quán)重,根據(jù)信息抽取結(jié)果中是否存在相應(yīng)部分來判斷單個網(wǎng)頁的信息抽取的準(zhǔn)確性。同時抽取的重要信息通過形式化描述進(jìn)行了細(xì)化,形成了更加規(guī)范和嚴(yán)格的數(shù)據(jù)組織形式,為以后的數(shù)據(jù)分析和其他應(yīng)用提供了更高的可用性。
  (2)針對現(xiàn)有信息抽取算法對本文提出

4、的網(wǎng)頁信息形式化組織支持方面的缺乏以及現(xiàn)有抽取技術(shù)的不足,本文提出了一種針對網(wǎng)頁信息形式化組織的基于VIPS算法改進(jìn)的網(wǎng)頁信息抽取技術(shù)。本技術(shù)結(jié)合了DOM結(jié)構(gòu)和視覺特征兩方面,采用自上而下,逆序解析DOM結(jié)構(gòu),同時利用視覺特征和DOM結(jié)構(gòu)特征作為信息抽取的依據(jù),將標(biāo)簽分塊和視覺分塊相互結(jié)合,同時根據(jù)網(wǎng)頁信息的形式化描述結(jié)構(gòu)對塊進(jìn)行分類,對于同屬一個形式化描述結(jié)構(gòu)的相似塊,根據(jù)其標(biāo)簽路徑等特征對相似塊進(jìn)行合并,最終將網(wǎng)頁抽取的重要信息根據(jù)

5、其形式化描述分成不同塊,此技術(shù)綜合了網(wǎng)頁DOM結(jié)構(gòu)和視覺特征的優(yōu)勢,提高了網(wǎng)頁信息抽取的準(zhǔn)確率。
  最后,將本文提出的信息抽取方法與其他傳統(tǒng)的信息抽取算法進(jìn)行了比較,并將其抽取結(jié)果應(yīng)用于提出的網(wǎng)頁信息形式化組織。經(jīng)過仿真實驗表明,本文提出的網(wǎng)頁信息形式化描述更規(guī)范,更有利用價值,同時提出的方法抽取信息具有更高的分類準(zhǔn)確性。最終我們將其在現(xiàn)有的傳統(tǒng)網(wǎng)頁移動化系統(tǒng)中進(jìn)行了應(yīng)用試驗,實例是基于青島某大學(xué)的PC網(wǎng)站設(shè)計的移動校園網(wǎng)站,該

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