基于結(jié)構(gòu)信息的中文網(wǎng)頁(yè)自動(dòng)分類技術(shù)研究.pdf

1、互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展,推動(dòng)了網(wǎng)絡(luò)信息的爆炸式增長(zhǎng)。如何從這些異常豐富的網(wǎng)絡(luò)信息資源中發(fā)現(xiàn)有價(jià)值的信息,已經(jīng)成為信息處理領(lǐng)域的一個(gè)亟待解決的問(wèn)題。網(wǎng)頁(yè)自動(dòng)分類技術(shù)可以在較大程度上解決信息雜亂和“信息爆炸”的問(wèn)題,在搜索引擎、數(shù)字圖書館、信息過(guò)濾及信息檢索等領(lǐng)域有著廣泛的應(yīng)用。
　　 網(wǎng)頁(yè)作為一種半結(jié)構(gòu)化的文檔,含有豐富的結(jié)構(gòu)信息。目前大多數(shù)中文網(wǎng)頁(yè)分類研究?jī)A向于把網(wǎng)頁(yè)轉(zhuǎn)化為純文本進(jìn)行處理,使用純文本分類技術(shù)對(duì)網(wǎng)頁(yè)進(jìn)行分類。這些研究

2、忽略了文本所在的結(jié)構(gòu)對(duì)分類的影響,因此很難達(dá)到滿意的分類效果。本文從分析網(wǎng)頁(yè)的特性出發(fā),研究如何利用網(wǎng)頁(yè)的結(jié)構(gòu)信息加強(qiáng)網(wǎng)頁(yè)分類效果。
　　 本文首先分析了中文網(wǎng)頁(yè)分類的國(guó)內(nèi)外研究現(xiàn)狀以及存在的問(wèn)題,對(duì)中文網(wǎng)頁(yè)分類中涉及的關(guān)鍵技術(shù)進(jìn)行了詳細(xì)分析和討論。
　　 然后研究了基于結(jié)構(gòu)信息的網(wǎng)頁(yè)分類方法。基于結(jié)構(gòu)劃分的思想,將網(wǎng)頁(yè)內(nèi)容按照其所在的結(jié)構(gòu)元素進(jìn)行劃分,每個(gè)結(jié)構(gòu)元素單獨(dú)訓(xùn)練一個(gè)子分類器,對(duì)子分類器的結(jié)果進(jìn)行組合,以組合分