2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩70頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)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)的高速發(fā)展,Web已經(jīng)成為這個(gè)世界上最大的信息來(lái)源。如何獲取有用的Web信息則是大家面臨的共同問(wèn)題,Web信息抽取就是針對(duì)這一問(wèn)題而提出的。目前大部分信息抽取僅停留在對(duì)純文本的信息抽取上,還并未考慮網(wǎng)頁(yè)文本的特殊性。另外,信息抽取也很少涉及語(yǔ)義的理解。 目前,信息抽取常用的模型是隱馬爾可夫模型,它因易于建立、適應(yīng)性強(qiáng)、抽取精度高等優(yōu)點(diǎn)而日益受到研究者的關(guān)注,但該模型僅適用于普通文本,對(duì)含有更多其他信息的網(wǎng)頁(yè)來(lái)說(shuō)也并不合

2、適。通過(guò)對(duì)網(wǎng)頁(yè)的分析,Web文本信息通常包含更多輸出屬性比如:詞條,版面以及格式屬性。考慮到傳統(tǒng)隱馬爾可夫模型的狀態(tài)轉(zhuǎn)移過(guò)程中僅將單一詞條屬性作為觀測(cè)輸出特征,本文將多重屬性(包括詞條,版面以及格式屬性)作為隱馬爾可夫模型觀測(cè)輸出特征,從而引入廣義隱馬爾可夫模型。 對(duì)于純文本,傳統(tǒng)的HMM是以單一語(yǔ)句為信息抽取的基本單位,其假設(shè)的狀態(tài)轉(zhuǎn)移序列(從左到右,然后從上到下)對(duì)含有多媒體的二維空間的網(wǎng)頁(yè)來(lái)說(shuō)也并不合適。通過(guò)對(duì)網(wǎng)頁(yè)的分析,

3、我們發(fā)現(xiàn)網(wǎng)頁(yè)的視覺(jué)版面結(jié)構(gòu)由不同的塊組成,而且這些塊之間還有一定的邏輯關(guān)系。本文利用基于可視化的網(wǎng)頁(yè)分割算法(VIPS)對(duì)網(wǎng)頁(yè)進(jìn)行分塊,得到一種更適用于網(wǎng)頁(yè)的基于版面結(jié)構(gòu)的狀態(tài)轉(zhuǎn)移序列。由于任一時(shí)刻出現(xiàn)的觀測(cè)輸出矢量概率不僅依賴(lài)于系統(tǒng)當(dāng)前狀態(tài),而且依賴(lài)于系統(tǒng)在前一時(shí)刻所處的狀態(tài),所以本文提出了基于二階Markov鏈的改進(jìn)的廣義隱馬爾可夫模型。 另外,針對(duì)網(wǎng)頁(yè)的語(yǔ)意分析,本文采用了一種基于角色標(biāo)注的命名實(shí)體識(shí)別方法,其基本思想是:

4、針對(duì)網(wǎng)頁(yè)文本,結(jié)合角色表的規(guī)則,采用改進(jìn)廣義隱馬爾可夫模型進(jìn)行角色標(biāo)注,在角色序列的基礎(chǔ)上,進(jìn)行字符串識(shí)別,最終實(shí)現(xiàn)命名實(shí)體的識(shí)別,進(jìn)而實(shí)現(xiàn)了從Web網(wǎng)頁(yè)的結(jié)構(gòu)及語(yǔ)義兩方面對(duì)信息的抽取。 本文通過(guò)對(duì)當(dāng)前招聘網(wǎng)站上海量的招聘信息進(jìn)行定題Web信息挖掘和信息抽取,開(kāi)發(fā)了基于GHMM的Web文本的抽取系統(tǒng)WebIE。本文首先介紹了Web文本信息抽取技術(shù)的基本概念,然后通過(guò)對(duì)Web頁(yè)面的分析,根據(jù)Web頁(yè)面的特點(diǎn)并結(jié)合角色標(biāo)注的實(shí)體識(shí)別

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(hù)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(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)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(hù)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。

評(píng)論

0/150

提交評(píng)論