Web網(wǎng)頁(yè)去噪及信息提取算法的研究與應(yīng)用.pdf_第1頁(yè)
已閱讀1頁(yè),還剩56頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)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、隨著互聯(lián)網(wǎng)的發(fā)展與普及,越來(lái)越多的人依賴于從網(wǎng)絡(luò)上獲取信息,但是為了維護(hù)商業(yè)利益和推廣的需要,網(wǎng)絡(luò)上充斥著大量的噪音信息,嚴(yán)重干擾了人們對(duì)信息的獲取,基于此本文提出了一種基于DOM(DocumentObjectModel)樹(shù)的網(wǎng)頁(yè)信息提取方法。
  通過(guò)對(duì)常用的網(wǎng)頁(yè)去噪和信息提取方法進(jìn)行分析發(fā)現(xiàn),某些基于DOM實(shí)現(xiàn)的網(wǎng)頁(yè)提取方法并不能判斷不含有超級(jí)鏈接的網(wǎng)頁(yè)噪音,而且不能處理正文分布在DIV標(biāo)簽中的情況,去噪效果不理想。本文從以下

2、幾個(gè)方面解決了上述問(wèn)題:
  1.利用VIPS(VisionBasedPageSegmentation)實(shí)現(xiàn)網(wǎng)頁(yè)內(nèi)容分塊,有效的劃分開(kāi)了與網(wǎng)頁(yè)主題相關(guān)的信息塊和噪音信息塊。
  2.將所劃分得到的塊轉(zhuǎn)化為DOM樹(shù)形結(jié)構(gòu)。用VIPS方法劃分出來(lái)的每個(gè)內(nèi)容塊都是一個(gè)樹(shù)形結(jié)構(gòu),將網(wǎng)頁(yè)進(jìn)行了更加細(xì)粒度的劃分。
  3.用遞歸方法對(duì)DOM樹(shù)中存在于標(biāo)簽中的節(jié)點(diǎn)信息進(jìn)行提取,有效的解決了主題信息存在于TABLE和DIV標(biāo)簽中的問(wèn)題

3、。根據(jù)網(wǎng)頁(yè)標(biāo)題與結(jié)點(diǎn)中詞共現(xiàn)頻率以及文本間的相似度實(shí)現(xiàn)網(wǎng)頁(yè)正文內(nèi)容的提取。在計(jì)算網(wǎng)頁(yè)標(biāo)題與結(jié)點(diǎn)詞共現(xiàn)頻率時(shí),將標(biāo)題中的詞賦予較大的權(quán)重,文本中的節(jié)點(diǎn)詞賦予較小的權(quán)重,有效提高了信息提取的準(zhǔn)確性。
  最后,本文利用JTidy和爬蟲(chóng)的有關(guān)知識(shí)對(duì)系統(tǒng)進(jìn)行了簡(jiǎn)單的實(shí)現(xiàn),根據(jù)待爬行URL與主題的相關(guān)度,把滿足條件的URL加入到待提取隊(duì)列,并且根據(jù)正在爬行的網(wǎng)頁(yè)正文內(nèi)容與新聞?lì)悇e主題的相似度,下載滿足條件的網(wǎng)頁(yè),提取到相關(guān)新聞網(wǎng)頁(yè)上新聞的標(biāo)

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(méi)有圖紙預(yù)覽就沒(méi)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。

評(píng)論

0/150

提交評(píng)論