面向眾創(chuàng)的網(wǎng)絡(luò)信息抽取研究與實(shí)現(xiàn).pdf

1、眾創(chuàng)模式是順應(yīng)創(chuàng)新2.0時(shí)代用戶創(chuàng)新、協(xié)同創(chuàng)新、大眾創(chuàng)新、開放創(chuàng)新趨勢，通過專業(yè)化服務(wù)、資本化途徑及市場化機(jī)制構(gòu)建的便利化、低成本、開放式、全要素的新型創(chuàng)業(yè)服務(wù)平臺的統(tǒng)稱。目前眾創(chuàng)空間僅僅是起步階段，無論哪種商業(yè)模式都需要眾創(chuàng)信息作為支撐。發(fā)展眾創(chuàng)空間要充分借助社會力量，有效利用高校和科研院所、國家自主創(chuàng)新示范區(qū)、應(yīng)用創(chuàng)新園區(qū)、國家高新區(qū)的有利條件，為創(chuàng)業(yè)者提供良好的資源共享空間、網(wǎng)絡(luò)空間、工作空間和社交空間。
　　本文依托于中國

2、科學(xué)技術(shù)信息研究所“基于位置的眾創(chuàng)信息推薦系統(tǒng)軟件實(shí)施項(xiàng)目”中的“基于地理位置的創(chuàng)業(yè)資源定位與精準(zhǔn)匹配關(guān)鍵技術(shù)平臺”子項(xiàng)目，研究并實(shí)現(xiàn)了項(xiàng)目中的“眾創(chuàng)資源和眾創(chuàng)信息”子模塊。本項(xiàng)目主要以眾創(chuàng)類網(wǎng)頁為基礎(chǔ)，抽取與眾創(chuàng)相關(guān)信息，為創(chuàng)客、企業(yè)提供便捷的創(chuàng)業(yè)信息服務(wù)。為了實(shí)現(xiàn)抽取與眾創(chuàng)相關(guān)信息，本文主要完成了以下工作:
　　1.綜述和分析Web信息抽取相關(guān)技術(shù)
　　綜述Web信息抽取及相關(guān)技術(shù)方法，主要內(nèi)容包括相關(guān)概念的介紹，專業(yè)術(shù)

3、語的解釋說明，還包括對各種技術(shù)的分類，優(yōu)缺點(diǎn)的分析等。
　　2.面向眾創(chuàng)的網(wǎng)頁爬取
　　為了方便信息抽取，先爬取與眾創(chuàng)相關(guān)的網(wǎng)頁并下載到本地存儲。然后取URL優(yōu)先級隊(duì)列頭部的URL，下載URL指向的網(wǎng)頁，判斷網(wǎng)頁是否和主題(眾創(chuàng))相關(guān)，若相關(guān)則保存所下載網(wǎng)頁，接著提取網(wǎng)頁中的相關(guān)URL并計(jì)算優(yōu)先級，將URL根據(jù)優(yōu)先級存儲到優(yōu)先級隊(duì)列中繼續(xù)爬取。
　　3.面向眾創(chuàng)的網(wǎng)頁分類
　　本文主要研究與眾創(chuàng)孵化器、眾創(chuàng)活動、

4、眾創(chuàng)新聞、眾創(chuàng)項(xiàng)目相關(guān)信息，而爬蟲爬取過程沒有對眾創(chuàng)類型網(wǎng)頁進(jìn)行詳細(xì)劃分。為了提高抽取的準(zhǔn)確率，本文需要對網(wǎng)頁進(jìn)行分類。1.根據(jù)已標(biāo)注類別的網(wǎng)頁提取特征詞，訓(xùn)練已分類的樣本網(wǎng)頁?？紤]到每種類型的網(wǎng)頁都有各自的特點(diǎn)，提取特征詞時(shí)引入了網(wǎng)頁結(jié)構(gòu)特征來提高分類準(zhǔn)確率。2.對需要分類的網(wǎng)頁進(jìn)行處理，清洗網(wǎng)頁上的無關(guān)項(xiàng)，例如廣告，然后將網(wǎng)頁轉(zhuǎn)換成文本。3.根據(jù)特征詞將每個網(wǎng)頁構(gòu)造成一個特征向量。構(gòu)造特征向量的同時(shí)也加入了網(wǎng)頁的特征標(biāo)簽作為特征詞。

5、4.根據(jù)完成訓(xùn)練的貝葉斯分類器對網(wǎng)頁進(jìn)行分類。
　　4.面向眾創(chuàng)的網(wǎng)頁信息抽取
　　本文分析了眾創(chuàng)新聞類、眾創(chuàng)孵化器類、眾創(chuàng)活動類、眾創(chuàng)項(xiàng)目類網(wǎng)頁的各自特點(diǎn)，設(shè)計(jì)了解決每種類型網(wǎng)頁信息抽取的方案:1.對網(wǎng)頁進(jìn)行無關(guān)項(xiàng)清洗。
　　2.根據(jù)網(wǎng)頁中的HTML的組織形式，利用Jsoup工具包生成一棵DOM樹。3.通過規(guī)則庫中標(biāo)簽組合的形式對Web網(wǎng)頁信息定位，其中規(guī)則庫通過人工總結(jié)生成。如從規(guī)則庫中取出div[class=co