版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、本文由方法和實(shí)現(xiàn)兩個(gè)不同角度給出了一套由全網(wǎng)網(wǎng)絡(luò)數(shù)據(jù)源環(huán)境中抽取平行句對(duì)的方法。從句對(duì)挖掘算法角度上,將全網(wǎng)網(wǎng)絡(luò)數(shù)據(jù)源分為對(duì)照網(wǎng)頁(yè)和平行網(wǎng)頁(yè)兩種形式進(jìn)行了網(wǎng)頁(yè)中的平行文本段的抽取,對(duì)照網(wǎng)頁(yè)部分依次使用基于詞典的雙語(yǔ)頁(yè)面過(guò)濾和自適應(yīng)模板匹配的方法進(jìn)行文本段抽取,該部分達(dá)到了81%的召回率,平行網(wǎng)頁(yè)集合則先根據(jù)URL字符串相似匹配獲得平行網(wǎng)頁(yè)對(duì)候選,再?gòu)呐鋵?duì)網(wǎng)頁(yè)中通過(guò)節(jié)點(diǎn)匹配方式進(jìn)行平行文本段的挖掘,該部分?jǐn)?shù)據(jù)召回率達(dá)到75%。后又通過(guò)句子
2、切分和句對(duì)齊將平行文本段轉(zhuǎn)為了平行句對(duì),通過(guò)本文給出的句對(duì)整理方法對(duì)結(jié)果句對(duì)進(jìn)行整理,并根據(jù)自定義的平行句對(duì)質(zhì)量評(píng)價(jià)算法對(duì)句對(duì)進(jìn)行了評(píng)分和過(guò)濾,最終得到非重復(fù)的結(jié)果平行句對(duì)約660萬(wàn)。該數(shù)據(jù)由隨機(jī)抽樣進(jìn)行人工評(píng)價(jià),覆蓋率超過(guò)96%,可用性超過(guò)93%。從句對(duì)挖掘流程角度上,給出了兩種網(wǎng)頁(yè)集合分別的分布式方案,用于應(yīng)對(duì)算法本身應(yīng)對(duì)大規(guī)模數(shù)據(jù)困難的問(wèn)題。給出了對(duì)照網(wǎng)頁(yè)的分片處理方法,并給出了平行網(wǎng)頁(yè)采用的子集分片挖掘方法,提出了可行的應(yīng)對(duì)大規(guī)
3、模數(shù)據(jù)處理及數(shù)據(jù)增量更新的方案。最終在約75億網(wǎng)頁(yè)數(shù)據(jù)集,進(jìn)行對(duì)照數(shù)據(jù)部分抽取運(yùn)行時(shí)間約48小時(shí),平行數(shù)據(jù)部分抽取時(shí)間約24小時(shí)。
本文提出了完整的由對(duì)照網(wǎng)頁(yè)和平行網(wǎng)頁(yè)兩種混合的網(wǎng)絡(luò)數(shù)據(jù)源進(jìn)行平行句對(duì)抽取的方法,在實(shí)際條件下進(jìn)行應(yīng)用,并在可行時(shí)間開銷內(nèi)獲取結(jié)果句對(duì)。通過(guò)對(duì)流程中增量更新的實(shí)現(xiàn),完成了多數(shù)據(jù)集合并和網(wǎng)絡(luò)新數(shù)據(jù)源的抽取問(wèn)題。所提出的抽取流程支持大規(guī)模數(shù)據(jù)的抽取,同時(shí)支持增量更新,保證了該方法實(shí)踐可用性。最終句對(duì)質(zhì)量
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)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(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。
最新文檔
- 大規(guī)模詞對(duì)抽取系統(tǒng)研究.pdf
- 大規(guī)模網(wǎng)頁(yè)信息抽取技術(shù)研究.pdf
- 大規(guī)模移動(dòng)傳感器網(wǎng)絡(luò)中的數(shù)據(jù)融合問(wèn)題研究.pdf
- 大規(guī)模網(wǎng)絡(luò)中社區(qū)發(fā)現(xiàn)算法的研究.pdf
- 大規(guī)模傳感網(wǎng)絡(luò)中支持?jǐn)?shù)據(jù)聚合的簽名技術(shù).pdf
- 軟件定義網(wǎng)絡(luò)在大規(guī)模網(wǎng)絡(luò)中的應(yīng)用研究.pdf
- 大規(guī)模圖像數(shù)據(jù)中相似圖像的快速搜索.pdf
- 大規(guī)模Web信息抽取與文本分類研究.pdf
- 大規(guī)模數(shù)據(jù)庫(kù)中的關(guān)聯(lián)規(guī)則開采.pdf
- 大規(guī)模傳送網(wǎng)絡(luò)中的多域流量工程.pdf
- 大規(guī)模網(wǎng)絡(luò)模擬中拓?fù)湔郫B技術(shù)的研究.pdf
- 基于復(fù)雜網(wǎng)絡(luò)的大規(guī)模電信數(shù)據(jù)分析研究.pdf
- 大規(guī)模高速網(wǎng)絡(luò)數(shù)據(jù)分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 大規(guī)模網(wǎng)絡(luò)路由協(xié)議研究.pdf
- 基于大規(guī)模語(yǔ)料的中文新詞抽取算法的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 大規(guī)模體數(shù)據(jù)的交互繪制方法.pdf
- 面向大規(guī)模RDF數(shù)據(jù)的語(yǔ)義搜索.pdf
- 對(duì)大規(guī)模PKI中證書撤消方法的研究.pdf
- 大規(guī)模開放式信息抽取系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 大規(guī)模無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)查詢算法研究.pdf
評(píng)論
0/150
提交評(píng)論