數(shù)字圖書館的中文網(wǎng)頁文本分類器研究.pdf

1、隨著計算機和因特網(wǎng)的迅速發(fā)展，網(wǎng)上信息的類型越來越豐富，可利用的資源也越來越豐富，這已成為數(shù)字圖書館的發(fā)展動力。同時網(wǎng)絡(luò)存儲和交換技術(shù)的發(fā)展，也逐漸帶動了數(shù)字圖書館相關(guān)技術(shù)研究的進展。數(shù)字圖書館是一個新興的，涉及到因特網(wǎng)、多媒體、數(shù)據(jù)倉庫、數(shù)據(jù)挖掘和知識產(chǎn)權(quán)保護等諸多技術(shù)的計算機應(yīng)用領(lǐng)域，其應(yīng)用和商業(yè)前景非常廣闊。 本文是在數(shù)字圖書館系統(tǒng)的環(huán)境下，對資源庫中保存的網(wǎng)頁進行有效分類的研究。在研究初期，認(rèn)真分析了數(shù)字圖書館的總體需求

2、，并通過其需求總圖、數(shù)據(jù)流程圖和系統(tǒng)模塊圖的描述，找出了系統(tǒng)的關(guān)鍵問題之一，就是要解決資源庫中保存的網(wǎng)頁文本分類問題。從而接下來的研究工作就是圍繞這個主題所展開的。 本文的第三章主要介紹了文本分類中的關(guān)鍵技術(shù)，包括文本預(yù)處理技術(shù)及面向分類模型的特征抽取技術(shù)，從而獲得文本的特征集合；并從理論上分析了KNN學(xué)習(xí)算法以及其他六種常用算法，并比較其特性并最終選擇了KNN算法；同時也介紹了評價分類器性能的幾個評價指標(biāo)。而后在第四章中對網(wǎng)頁