基于綜合特征空間的Blog網(wǎng)頁識別方法研究.pdf

1、Blog的影響日益擴大，其信息量迅速增長，并已通過頻繁的鏈接和交互在互聯(lián)網(wǎng)上構建起了一個動態(tài)且緊密的虛擬網(wǎng)絡，該虛擬網(wǎng)絡已與現(xiàn)實社會相互影響、密不可分，成為現(xiàn)實社會一個重要的信息來源。然而，面對Web領域中海量的電子信息，人工進行檢索、分析、識別是不可想象的，因此要想對Blog開展研究工作，首先必須通過自動識別將Blog信息從浩如煙海的網(wǎng)絡信息中區(qū)分出來，這一步是整個Blog研究領域的必由之路。 近幾年來，盡管針對Blog網(wǎng)頁識

2、別領域開展的研究工作逐漸增多，然而由于Blog領域自身的特殊性和復雜性，直接利用文本分類的相關技術或在其基礎上簡單修改移植后的應用效果并不令人滿意。當今社會迫切需要高效便捷的Blog網(wǎng)頁識別技術，在這一背景下，本文開展了對Blog網(wǎng)頁識別方法的研究工作。 本文研究了與Blog網(wǎng)頁識別相關的各種方法和技術，并在此基礎上提出了基于綜合特征空間的Blog網(wǎng)頁識別方法。本文所做的工作主要有以下幾個方面： (1)研究了網(wǎng)頁特征信息

3、抽取的方法，分析了網(wǎng)頁獲取、清洗、解析和信息抽取的整個過程，提出了Blog綜合特征空間的概念，并且詳細論述了該空間中三大類共五種Blog特征的概念、定義和抽取方法。 (2)研究了網(wǎng)頁的形式化表示方法，分析了特征項的提取、選擇和權重計算的整個過程，在此基礎上設計了基于標簽信息的TF-IDF算法以及標簽權重調整方案。隨后，提出了網(wǎng)頁文本內容特征的形式化表示方法和頁面布局特征的形式化表示方法，并詳細的闡述了兩種形式化特征的概念、定義和