基于表單特性的深層網(wǎng)絡(luò)數(shù)據(jù)源分類方法研究.pdf_第1頁
已閱讀1頁,還剩62頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明: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、當(dāng)前,Deep Web中蘊(yùn)含著高質(zhì)量的海量信息并且其數(shù)量還在不斷地增長(zhǎng),由于DeepWeb具有分布、異構(gòu)、自治等特點(diǎn),用戶高效、快捷地獲取自己感興趣的信息面臨巨大挑戰(zhàn)。然而,將Deep Web數(shù)據(jù)源按領(lǐng)域分類是解決這一挑戰(zhàn)的基礎(chǔ)。因此,研究DeepWeb數(shù)據(jù)源的組織問題具有重要意義。
   本文通過Web字典、課題組開發(fā)的深層網(wǎng)絡(luò)數(shù)據(jù)源自動(dòng)抽取工具以及搜索引擎收集了大量深層網(wǎng)絡(luò)數(shù)據(jù)源,它們分別來自于航空訂票、圖書銷售、汽車和房地

2、產(chǎn)等四個(gè)領(lǐng)域。針對(duì)其中的200多個(gè)數(shù)據(jù)源進(jìn)行統(tǒng)計(jì)和分析發(fā)現(xiàn):第一,“主題詞”能夠較好地區(qū)分深層網(wǎng)絡(luò)數(shù)據(jù)源。具體來說,查詢接口源代碼中,絕大多數(shù)title標(biāo)記含有內(nèi)容,而且這部分內(nèi)容中的有些詞往往只出現(xiàn)在某個(gè)領(lǐng)域并且在一定程度上反映了該查詢接口的主題,即所屬的相關(guān)領(lǐng)域;第二,同一領(lǐng)域查詢接口間相似屬性的個(gè)數(shù)往往較多,不同領(lǐng)域接口間相似屬性的個(gè)數(shù)則較少,或者幾乎沒有;第三,對(duì)于每個(gè)領(lǐng)域,隨著深層網(wǎng)絡(luò)數(shù)據(jù)源的增長(zhǎng),查詢接口中屬性出現(xiàn)的總的詞匯

3、量往往趨向于一個(gè)較小水平,平均大概在60左右;第四,深層網(wǎng)絡(luò)中大部分為結(jié)構(gòu)化的數(shù)據(jù)源。
   受此啟發(fā),基于表單特性-主題和表單屬性信息,本文提出了一種新的深層網(wǎng)絡(luò)數(shù)據(jù)源分類方法以及改進(jìn)的查詢接口相似性度量方法,實(shí)現(xiàn)了按照現(xiàn)實(shí)領(lǐng)域自動(dòng)組織大規(guī)模深層網(wǎng)絡(luò)數(shù)據(jù)源的目的。該方法主要由四大模塊組成:預(yù)處理模塊、標(biāo)記策略模塊、半監(jiān)督K-Means聚類模塊和后分類模塊。本文還提出了一種查詢接口標(biāo)記策略,以降低隨機(jī)選擇初始中心點(diǎn)所產(chǎn)生的影響。

溫馨提示

  • 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 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

評(píng)論

0/150

提交評(píng)論