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)的快速發(fā)展,網(wǎng)頁(yè)數(shù)量呈爆炸性增長(zhǎng)。網(wǎng)頁(yè)中包含著豐富的內(nèi)容,既有用戶想要瀏覽的主題信息,也有對(duì)用戶形成干擾與主題無(wú)關(guān)的信息,如頁(yè)面導(dǎo)航條、推薦鏈接、廣告條、版權(quán)聲明等,后者通常被稱為網(wǎng)頁(yè)噪聲。網(wǎng)頁(yè)噪聲的存在給Web信息檢索帶來(lái)很大的難題,也對(duì)諸如網(wǎng)頁(yè)分類和聚類、知識(shí)挖掘、話題檢測(cè)、個(gè)性化信息推薦、數(shù)據(jù)挖掘等任務(wù)造成很大的影響。如果不將噪聲去除的話,信息檢索系統(tǒng)必然會(huì)得出很糟糕的檢索結(jié)果。因此,去除網(wǎng)頁(yè)噪聲,從網(wǎng)頁(yè)中抽取主題信息是
2、Web信息檢索的一個(gè)重要的基礎(chǔ)性工作。
在Web信息抽取領(lǐng)域,按照網(wǎng)頁(yè)主題信息抽取算法按照處理方式的不同,可以信息抽取方法分為三類:一、基于模板匹配的方法。這種方法主要基于網(wǎng)站中的頁(yè)面共享相同的模板,通過(guò)將網(wǎng)站的模板識(shí)別出來(lái),然后利用模板對(duì)頁(yè)面進(jìn)行匹配以識(shí)別網(wǎng)頁(yè)主題信息。二、基于機(jī)器學(xué)習(xí)的方法。這種方法主要適用于大規(guī)模網(wǎng)頁(yè)數(shù)據(jù)集的處理,首先利用人工標(biāo)注的網(wǎng)頁(yè)數(shù)據(jù)訓(xùn)練出網(wǎng)頁(yè)主題信息分類模型,然后利用分類器來(lái)識(shí)別網(wǎng)頁(yè)中的主題和非主
3、題信息。三、基于啟發(fā)式規(guī)則的方法。這類方法,基于頁(yè)面中的一些視覺(jué)特征或結(jié)構(gòu)特征或內(nèi)容特征來(lái)構(gòu)建啟發(fā)式規(guī)則集合。
考慮到基于啟發(fā)式規(guī)則的信息抽取方法具有較高的算法效率,以及考慮VIPS算法存在的不足,本文結(jié)合對(duì)網(wǎng)頁(yè)噪聲特點(diǎn)以及網(wǎng)頁(yè)性質(zhì)的觀察和統(tǒng)計(jì),提出了一種基于DOM節(jié)點(diǎn)類型標(biāo)注(Node Type Annotation)的主題信息抽取算法——NTA算法。首先依據(jù)網(wǎng)頁(yè)中噪聲存在的形式,定義了4種節(jié)點(diǎn)類型:文本型節(jié)點(diǎn)、鏈接型節(jié)點(diǎn)、
4、圖片型節(jié)點(diǎn)和可忽略型節(jié)點(diǎn),并且定義了節(jié)點(diǎn)的內(nèi)聚度(DoC)用于反映節(jié)點(diǎn)內(nèi)容的一致性。通過(guò)計(jì)算 DOM結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的內(nèi)容特征來(lái)確定節(jié)點(diǎn)類型以及節(jié)點(diǎn)的內(nèi)聚度,并給每個(gè)節(jié)點(diǎn)添加類型和內(nèi)聚度兩個(gè)屬性。在主題信息抽取階段,借助閾值以及節(jié)點(diǎn)文本密度來(lái)識(shí)別節(jié)點(diǎn)類型以及比較內(nèi)聚度來(lái)獲取所需的正文節(jié)點(diǎn),并針對(duì)圖片和鏈接的篩選問(wèn)題作出相應(yīng)的特殊處理,最后整合得到網(wǎng)頁(yè)的主題信息。本文方法彌補(bǔ)了VIPS不能抽取網(wǎng)頁(yè)主題信息的不足并且具有較好的算法效率,方法不
5、依賴特定標(biāo)簽因而也具有更好的通用性。
最后,基于本文NTA算法開(kāi)發(fā)了一款網(wǎng)頁(yè)正文提取工具Web Clipper,從7大門戶網(wǎng)站選取了100多個(gè)新聞?lì)惥W(wǎng)頁(yè)進(jìn)行了測(cè)試,并且也與目前市面上的三款同類工具有道云剪報(bào)、印象筆記悅讀以及國(guó)外的Readability做了對(duì)比實(shí)驗(yàn)。初步實(shí)驗(yàn)結(jié)果顯示,本文所提出的算法的平均查全率為98.15%,平均查準(zhǔn)率為92.41%,NTA方法在F1指標(biāo)上為95.1%,比Evernote工具高出0.3%,比Y
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。
最新文檔
- 基于網(wǎng)頁(yè)結(jié)構(gòu)聚類的Web信息提取技術(shù)研究.pdf
- 基于HTML網(wǎng)頁(yè)的Web信息提取研究.pdf
- 基于DOM樹(shù)節(jié)點(diǎn)重要度的WEB主題信息提取研究.pdf
- 基于交通視頻的信息提取技術(shù)研究.pdf
- 基于XML的文檔信息提取技術(shù)研究.pdf
- 基于主題的WEB信息提取及智能搜索技術(shù)研究與實(shí)現(xiàn).pdf
- 基于模板的Web頁(yè)面信息提取技術(shù)研究.pdf
- 基于分塊的網(wǎng)頁(yè)信息提取算法研究及應(yīng)用.pdf
- 基于表格結(jié)構(gòu)的Web信息提取技術(shù)研究.pdf
- 基于監(jiān)控視頻的交通信息提取技術(shù)研究.pdf
- SRAM時(shí)序信息提取技術(shù)研究.pdf
- 基于視頻的車輛信息提取與檢索技術(shù)研究.pdf
- 基于數(shù)字地圖的地形信息提取技術(shù)研究.pdf
- 基于etc電子收費(fèi)數(shù)據(jù)的信息提取技術(shù)研究
- 基于SAR圖像的道路損毀信息提取技術(shù)研究.pdf
- 基于XML的中間文檔信息提取技術(shù)研究.pdf
- 課程設(shè)計(jì)(論文)-基于web的信息提取技術(shù)研究
- 基于航海雷達(dá)圖像的海面風(fēng)向信息提取技術(shù)研究.pdf
- 基于多分類器組合的塔河林區(qū)森林類型信息提取技術(shù).pdf
- Web信息提取技術(shù)研究與應(yīng)用.pdf
評(píng)論
0/150
提交評(píng)論