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38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(bào)或認(rèn)領(lǐng)

文檔簡介

1、網(wǎng)頁瀏覽和搜索引擎的關(guān)鍵字檢索是人們從Internet上獲取信息的傳統(tǒng)方法,其局限性主要表現(xiàn)在:網(wǎng)頁瀏覽方式很難在Internet上定何特定的知識;搜索引擎則很容易將所需知識淹沒在大量的無關(guān)網(wǎng)頁中。隨著網(wǎng)絡(luò)技術(shù)的發(fā)展,目前出現(xiàn)了一些全新的基于Web的應(yīng)用,例如監(jiān)控股票市場的及時行情,比較各個站點(diǎn)的商品價格等等,在此情形下僅憑搜索引擎和Web查詢等技術(shù)已無法滿足這些新興的需求。為解決這一問題,Web信息抽取技術(shù)應(yīng)運(yùn)而生,并幫助人們從網(wǎng)絡(luò)所

2、提供的大量信息中提煉出其所關(guān)心的特定部分信息。與信息檢索技術(shù)不同,Web信息抽取技術(shù)側(cè)重于從web文檔集合中發(fā)現(xiàn)相關(guān)文檔,并從中抽出用戶關(guān)心的數(shù)據(jù)。 在目前絕大部分基于Web的應(yīng)用中,往往是將大量的數(shù)據(jù)保存在網(wǎng)站的后臺數(shù)據(jù)庫中,當(dāng)用戶提出某種信息需求時,Web服務(wù)器即根據(jù)用戶的查詢要求或條件將相關(guān)數(shù)據(jù)注入網(wǎng)頁模板中,動態(tài)的生成Web頁面以展示用戶所需要的信息。在這類應(yīng)用中有一個特性,即Web頁面中的數(shù)據(jù)記錄間具有極高的結(jié)構(gòu)相似性

3、,并且Web數(shù)據(jù)記錄對應(yīng)的DOM子樹間也具有很高的結(jié)構(gòu)相似性。因此,本文首先從分析Web文檔與DOM樹的對應(yīng)關(guān)系及其規(guī)律入手,借鑒網(wǎng)頁去噪的剪枝思想,提出一種基于相似性比較的信息抽取算法,即DES算法,該算法通過對基于同一模板的兩個相似網(wǎng)頁內(nèi)容相似度的比較,準(zhǔn)確定位網(wǎng)頁中的數(shù)據(jù)區(qū)域,并在此基礎(chǔ)上,分析數(shù)據(jù)區(qū)域中數(shù)據(jù)項(xiàng)之間的結(jié)構(gòu)相似性,識別數(shù)據(jù)項(xiàng),從而實(shí)現(xiàn)對Web信息以數(shù)據(jù)記錄的形式進(jìn)行抽取。另外,為對所抽取的Web信息做進(jìn)一步的處理,本

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