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、隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的快速發(fā)展,互聯(lián)網(wǎng)所生產(chǎn)的數(shù)據(jù)正以前所未有的速度增長,信息社會(huì)步入了大數(shù)據(jù)時(shí)代。這些數(shù)據(jù)具有大量性、高速性、多樣性、復(fù)雜性和價(jià)值性等典型特點(diǎn)。然而,大部分?jǐn)?shù)據(jù)以文本等非結(jié)構(gòu)化、異構(gòu)的數(shù)據(jù)形式存在于互聯(lián)網(wǎng)中,并且不易被獲取和分析。這些數(shù)據(jù)中往往蘊(yùn)含著巨大的信息和知識(shí)。因此,研究如何借助于計(jì)算機(jī)相關(guān)技術(shù)獲取、挖掘其內(nèi)在規(guī)律和價(jià)值具有重大意義。
基于爬蟲的網(wǎng)絡(luò)文本挖掘是指通過編寫網(wǎng)絡(luò)爬蟲程序抓取某些指定網(wǎng)站的文本數(shù)
2、據(jù),利用模式識(shí)別、數(shù)據(jù)挖掘、統(tǒng)計(jì)學(xué)習(xí)等技術(shù)分析出隱含的、深層的、有價(jià)值的信息。本文圍繞上述問題,主要包括以下四方面研究內(nèi)容:
(1)通過編寫爬蟲來獲取網(wǎng)絡(luò)文本數(shù)據(jù)。由于網(wǎng)絡(luò)文本數(shù)據(jù)嵌入HTML網(wǎng)頁中,很難通過人工進(jìn)行獲取。因此本文提出通過編寫網(wǎng)絡(luò)爬蟲程序自動(dòng)的獲取所需的文本分析源。文中介紹了網(wǎng)絡(luò)爬蟲抓取網(wǎng)頁的基本原理,并詳細(xì)說明了HTML網(wǎng)頁內(nèi)容解析方法。
(2)本文結(jié)合傳統(tǒng)的文本挖掘技術(shù),提出了一套完備的基于開源爬
3、蟲框架的網(wǎng)絡(luò)文本挖掘方案。詳細(xì)敘述了網(wǎng)絡(luò)文本的獲取、清洗、預(yù)處理、分析、結(jié)果可視化的一般性步驟和流程,并介紹了文本分類與聚類、文本情感分析等常用的文本挖掘算法。
(3)由于短文本的特征稀疏性,隱含較少的語義信息,使得短文本的分類研究面臨著巨大的挑戰(zhàn)。針對短文本分類的這兩個(gè)問題提出了一個(gè)基于隱含狄利克雷主題模型和最近鄰的短文本分類算法。實(shí)驗(yàn)表明該方法使得短文本分類效果比KNN和SVM算法得到了很大的提升。
(4)本文創(chuàng)
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(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. 眾賞文庫僅提供信息存儲(chǔ)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(shí)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。
最新文檔
- 面向Web文本挖掘的主題網(wǎng)絡(luò)爬蟲研究.pdf
- 基于網(wǎng)絡(luò)爬蟲的SQL注入與XSS漏洞挖掘.pdf
- 基于Heritrix的主題網(wǎng)絡(luò)爬蟲研究與應(yīng)用.pdf
- 基于Hadoop的文本挖掘研究與應(yīng)用.pdf
- 基于網(wǎng)絡(luò)爬蟲和Fuzzing的Web前端漏洞挖掘研究.pdf
- 基于文本挖掘的網(wǎng)絡(luò)輿情分析應(yīng)用研究.pdf
- 基于web文本挖掘技術(shù)的研究與應(yīng)用.pdf
- 面向Web挖掘的主題網(wǎng)絡(luò)爬蟲的研究與實(shí)現(xiàn).pdf
- 基于Spark文本挖掘技術(shù)的研究與應(yīng)用.pdf
- 基于文本挖掘的律師推薦方法研究與應(yīng)用.pdf
- 基于免疫網(wǎng)絡(luò)的文本挖掘方法研究.pdf
- 基于本體的網(wǎng)絡(luò)爬蟲設(shè)計(jì)及應(yīng)用.pdf
- 基于網(wǎng)絡(luò)文本的評論挖掘分析.pdf
- 基于爬蟲與文本挖掘的“985”高校圖書館微信公眾號(hào)的調(diào)研
- Web文本挖掘的研究與應(yīng)用.pdf
- 基于領(lǐng)域的網(wǎng)絡(luò)爬蟲研究與實(shí)現(xiàn).pdf
- 基于爬蟲與文本挖掘的“985”高校圖書館微信公眾號(hào)的調(diào)研.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的文本挖掘在專利自動(dòng)分類中的研究與應(yīng)用.pdf
- 基于XML的Web文本挖掘應(yīng)用研究.pdf
- 基于文本分析的情感挖掘模型研究與應(yīng)用.pdf
評論
0/150
提交評論