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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著當(dāng)今世界互聯(lián)網(wǎng)的快速發(fā)展,Web已經(jīng)發(fā)展成為一個(gè)巨大的和共享的信息空間,這些大量的數(shù)據(jù)可以為進(jìn)一步的數(shù)據(jù)集成、數(shù)據(jù)挖掘等系統(tǒng)提供數(shù)據(jù)支持,Web數(shù)據(jù)抽取正是為了研究如何從網(wǎng)頁(yè)中將用戶可能感興趣的數(shù)據(jù)抽取出來。本文主要針對(duì)列表頁(yè)和內(nèi)容頁(yè)兩種形式的網(wǎng)頁(yè)分別進(jìn)行了研究。
列表頁(yè)是指包含一個(gè)或多個(gè)對(duì)象列表類型的網(wǎng)頁(yè),至今已經(jīng)有一些關(guān)于自動(dòng)抽取列表頁(yè)數(shù)據(jù)的研究,但由于網(wǎng)頁(yè)的組織形式多變、模板不統(tǒng)一,存在以下問題:列表頁(yè)數(shù)據(jù)記錄的組織
2、方式具有多樣性,從而導(dǎo)致可能會(huì)將多條真正的數(shù)據(jù)記錄當(dāng)作一條數(shù)據(jù)記錄抽取出來;已有的簡(jiǎn)單樹匹配算法算法只考慮節(jié)點(diǎn)的標(biāo)簽名,而實(shí)際的網(wǎng)頁(yè)中數(shù)據(jù)記錄的很多字段的標(biāo)簽名是相同的,導(dǎo)致兩條數(shù)據(jù)記錄存在多個(gè)有著相同最高分的匹配。針對(duì)以上問題,本文在挖掘出數(shù)據(jù)區(qū)域之后,對(duì)構(gòu)成數(shù)據(jù)區(qū)域的可能數(shù)據(jù)記錄節(jié)點(diǎn)進(jìn)行進(jìn)一步地分析,從而識(shí)別出真正的數(shù)據(jù)記錄,然后在已有的簡(jiǎn)單樹匹配的基礎(chǔ)上加入了對(duì)節(jié)點(diǎn)所包含內(nèi)容的考慮,提高了抽取數(shù)據(jù)字段的準(zhǔn)確率。
無結(jié)構(gòu)內(nèi)
3、容頁(yè)側(cè)重對(duì)一個(gè)對(duì)象的具體描述,本文實(shí)現(xiàn)了一種基于分塊思想的內(nèi)容頁(yè)正文信息抽取算法。在對(duì)網(wǎng)頁(yè)進(jìn)行分塊的階段,采用基于DOM樹結(jié)構(gòu)和頁(yè)面的視覺信息的算法,將網(wǎng)頁(yè)進(jìn)行合理地分塊。得到合理的分塊結(jié)果之后,采用分類學(xué)習(xí)方法對(duì)訓(xùn)練集進(jìn)行學(xué)習(xí),建立塊的空間特征到塊是否屬于正文的映射關(guān)系,實(shí)現(xiàn)正文塊的選取。對(duì)于結(jié)構(gòu)型的內(nèi)容頁(yè),通過對(duì)兩個(gè)相似頁(yè)面的匹配,實(shí)現(xiàn)對(duì)象的屬性值數(shù)據(jù)的自動(dòng)抽取。由于結(jié)構(gòu)型內(nèi)容頁(yè)的頁(yè)面四周會(huì)包含一些廣告等噪音數(shù)據(jù),而相似頁(yè)面之間的廣
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(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(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
- Web數(shù)據(jù)抽取技術(shù)研究.pdf
- 基于XML的Web數(shù)據(jù)抽取技術(shù)的研究.pdf
- 用于Deep Web數(shù)據(jù)集成的數(shù)據(jù)抽取技術(shù).pdf
- 基于XML面向Web的數(shù)據(jù)抽取技術(shù)研究.pdf
- Deep Web數(shù)據(jù)抽取及集成技術(shù)研究.pdf
- WEB數(shù)據(jù)自動(dòng)抽取技術(shù)及其應(yīng)用研究.pdf
- Deep Web數(shù)據(jù)抽取關(guān)鍵技術(shù)研究.pdf
- Deep Web數(shù)據(jù)抽取和語(yǔ)義標(biāo)注技術(shù)研究.pdf
- 基于XML的web數(shù)據(jù)抽取研究.pdf
- 面向Deep Web數(shù)據(jù)集成的數(shù)據(jù)抽取研究.pdf
- 基于結(jié)構(gòu)和內(nèi)容的Web數(shù)據(jù)抽取技術(shù)研究.pdf
- 面向deep web的數(shù)據(jù)抽取與結(jié)果聚合技術(shù)研究.pdf
- 面向Deep Web的數(shù)據(jù)抽取與語(yǔ)義標(biāo)注技術(shù)研究.pdf
- 面向領(lǐng)域的Web數(shù)據(jù)集成中數(shù)據(jù)抽取的研究.pdf
- Web信息自動(dòng)抽取技術(shù)的研究.pdf
- 基于樹匹配的交互式Web數(shù)據(jù)抽取技術(shù)的研究.pdf
- 基于Ontology的Web數(shù)據(jù)抽取與集成研究.pdf
- 基于網(wǎng)頁(yè)結(jié)構(gòu)的Web數(shù)據(jù)抽取方法研究.pdf
- Web中的行情數(shù)據(jù)抽取與預(yù)測(cè)研究.pdf
- 基于Web的信息抽取技術(shù)研究.pdf
評(píng)論
0/150
提交評(píng)論