Web中的非結構化文本信息管理元數(shù)據(jù)技術研究.pdf

1、隨著Internet發(fā)展進程的加快，網(wǎng)絡信息資源在數(shù)量上呈爆炸式增長?，F(xiàn)有的搜索引擎大多是基于文本和關鍵字的通用檢索，存在查詢方式單一、查準率低、用戶滿意度差等諸多問題。為了解決這些問題，本文利用元數(shù)據(jù)對Web中非結構化文本進行描述性標記來達到提高信息檢索質量的目的。 本文的主要研究工作包括以下三個方面： 其一，對Web中非結構化文本信息特點進行分析后，參考國內外各種網(wǎng)絡信息資源元數(shù)據(jù)模型，完成了Web中非結構化文本信息

2、元數(shù)據(jù)的標準化工作，并確定了元數(shù)據(jù)的核心集。 其二，研究了Web中非結構化文本信息元數(shù)據(jù)的自動抽取技術。通過網(wǎng)絡蜘蛛程序提取標題、URL、作者、日期等元數(shù)據(jù)。在對關鍵詞元數(shù)據(jù)提取過程中，采用ICTCLAS中文分詞系統(tǒng)，實現(xiàn)了分詞系統(tǒng)的JAVA調用。對分詞系統(tǒng)中N．最短路徑的粗分模型進行了改進，通過過濾無覆蓋型歧義切分結構的切分方案，使得剩余粗分結果數(shù)量大大減少。 其三，在元數(shù)據(jù)標準的基礎上，對如何有效的進行元數(shù)據(jù)的存儲和