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)行舉報或認(rèn)領(lǐng)
文檔簡介
1、隨著互聯(lián)網(wǎng)的飛速發(fā)展,其中已蘊含了海量的信息資源,涵蓋了現(xiàn)實世界的各個領(lǐng)域。相對于Surface Web,Deep Web蘊含著更豐富的數(shù)據(jù)、擁有更多的訪問量和更快的增長速度。但是Deep Web頁面是動態(tài)生成的,難以被傳統(tǒng)搜索引擎索引到。因此,如何有效地獲取和利用 Deep Web頁面的數(shù)據(jù)成為一個重要的研究方向。Deep Web數(shù)據(jù)通過查詢結(jié)果頁面表現(xiàn)出來,但是網(wǎng)頁中的數(shù)據(jù)形式各異、缺乏結(jié)構(gòu)性,便于用戶瀏覽卻難以利用。本文基于網(wǎng)頁的
2、視覺信息和 DOM樹結(jié)構(gòu),對 Deep Web查詢結(jié)果頁面的數(shù)據(jù)自動抽取進(jìn)行了研究,主要研究內(nèi)容如下:
(1)定位數(shù)據(jù)區(qū)域。首先通過分析 Deep Web查詢結(jié)果頁面中數(shù)據(jù)區(qū)域的特點,找到能夠使之定位的視覺特征。然后收集了相關(guān)頁面作為樣本,并對樣本中的節(jié)點進(jìn)行手工標(biāo)注。通過 Weka訓(xùn)練得到相應(yīng)的決策樹,最后使用該決策樹對應(yīng)的規(guī)則來定位數(shù)據(jù)區(qū)域。
(2)抽取數(shù)據(jù)記錄。這個過程分為兩步:定位數(shù)據(jù)記錄和去噪。第一步,根據(jù)
3、網(wǎng)頁中數(shù)據(jù)記錄的 DOM樹的結(jié)構(gòu)特點及其視覺特征,提出了數(shù)據(jù)記錄定位算法,但是由此得到的節(jié)點中不僅包含了數(shù)據(jù)記錄節(jié)點,還有少量的噪音;第二步,通過 xpath定義了數(shù)據(jù)記錄的相似度,并通過相似度比較進(jìn)行去噪,從而得到數(shù)據(jù)記錄節(jié)點。
(3)對齊數(shù)據(jù)項。首先將數(shù)據(jù)記錄劃分成相應(yīng)的數(shù)據(jù)項,然后為便于對齊設(shè)計了相應(yīng)的數(shù)據(jù)結(jié)構(gòu),并基于 xpath給出了對齊數(shù)據(jù)項的算法。
(4)模板。針對數(shù)據(jù)區(qū)域、數(shù)據(jù)記錄以及數(shù)據(jù)項各自的特點,
4、提出了相應(yīng)的模板。通過模板的使用,不僅在抽取過程中避免了大量重復(fù)的計算,提高了抽取速度,而且方便實現(xiàn)連續(xù)頁面的數(shù)據(jù)項抽取。
論文的創(chuàng)新點如下:(1)引入了 xpath的概念,通過 xpath定義了數(shù)據(jù)記錄的相似度,從而進(jìn)行數(shù)據(jù)記錄的去噪。并通過 xpath的比較完成了數(shù)據(jù)項的對齊。(2)提出了數(shù)據(jù)項粒度的概念,并給出了將數(shù)據(jù)記錄劃分為數(shù)據(jù)項的相應(yīng)方法。
在以上研究的基礎(chǔ)上,設(shè)計開發(fā)了 Deep Web查詢結(jié)果頁面的數(shù)
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。
最新文檔
- 基于視覺信息和樹匹配的Deep Web數(shù)據(jù)抽取問題研究.pdf
- 基于視覺信息與DOM樹的Deep Web數(shù)據(jù)獲取方法研究.pdf
- 基于視覺分塊與語義DOM的Deep Web信息抽取研究.pdf
- 基于DOM樹的Deep Web實體抽取的研究與實現(xiàn).pdf
- 基于視覺信息的Deep Web信息自動抽取技術(shù)的研究.pdf
- 基于EM算法和DOM樹的WEB信息抽取的研究.pdf
- 基于DOM的Web信息自動抽取技術(shù)的研究.pdf
- 面向特定領(lǐng)域的Deep Web數(shù)據(jù)自動抽取.pdf
- 基于樹自動機的Web信息抽取.pdf
- 基于DOM的Web信息抽取系統(tǒng)設(shè)計與實現(xiàn).pdf
- 用于Deep Web數(shù)據(jù)集成的數(shù)據(jù)抽取技術(shù).pdf
- 基于Hadoop的Deep Web查詢結(jié)果自動抽取研究.pdf
- 面向Deep Web數(shù)據(jù)集成的數(shù)據(jù)抽取研究.pdf
- 基于DOM的Web信息抽取技術(shù)的研究與實現(xiàn).pdf
- 基于結(jié)果模式的Deep Web數(shù)據(jù)抽取機制的研究.pdf
- Deep Web數(shù)據(jù)抽取和語義標(biāo)注技術(shù)研究.pdf
- 基于DOM樹的web新聞?wù)某槿〖夹g(shù)的研究與實現(xiàn).pdf
- Deep Web信息抽取技術(shù)研究.pdf
- 基于DOM和網(wǎng)頁模板的信息抽取.pdf
- 基于DOM樹信息抽取的移動網(wǎng)站開發(fā)研究.pdf
評論
0/150
提交評論