基于XML的文本結(jié)構(gòu)信息抽取與聚類(lèi)研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩121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、網(wǎng)絡(luò)信息檢索面臨大量半結(jié)構(gòu)化XML及非結(jié)構(gòu)化自由文本的混合大數(shù)據(jù),如何快速、準(zhǔn)確、統(tǒng)一地處理這些數(shù)據(jù)是信息處理領(lǐng)域研究的熱點(diǎn)。與普通文本文檔相比,XML帶有一定的結(jié)構(gòu)和語(yǔ)義信息,因此基于XML的數(shù)據(jù)集成和深度利用比起普通文本具有描述精確、表現(xiàn)形式豐富等特點(diǎn),但同時(shí)也使得傳統(tǒng)的自然語(yǔ)言處理和數(shù)據(jù)挖掘等技術(shù)不能直接應(yīng)用。本文工作圍繞基于XML的文本結(jié)構(gòu)抽取和聚類(lèi)技術(shù)涉及到的一系列關(guān)鍵問(wèn)題展開(kāi),主要包括以下內(nèi)容:
  (1)給出了對(duì)自由

2、文本進(jìn)行層次結(jié)構(gòu)抽取的統(tǒng)計(jì)模型。針對(duì)傳統(tǒng)的信息抽取方法大多忽略文本內(nèi)在語(yǔ)義以及標(biāo)注結(jié)果單層、缺少語(yǔ)境等問(wèn)題,分別從通用的基于隱馬爾科夫模型和面向領(lǐng)域的基于條件隨機(jī)場(chǎng)模型對(duì)自由文本的層次結(jié)構(gòu)信息抽取進(jìn)行了研究,通過(guò)對(duì)文本基于語(yǔ)義的結(jié)構(gòu)抽取并借助XML的再現(xiàn),使得數(shù)據(jù)具有豐富的表達(dá)形式和精確的語(yǔ)義描述。
  (2)提出了一種基于頻率和路徑的XML結(jié)構(gòu)相似度計(jì)算方法。針對(duì)XML的結(jié)構(gòu)特征以及傳統(tǒng)相似度計(jì)算方法不能直接應(yīng)用于XML文檔的問(wèn)

3、題,在路徑匹配上采用了一種最長(zhǎng)公共子序列的匹配方法,提高了對(duì)路徑節(jié)點(diǎn)語(yǔ)義和語(yǔ)境信息的捕獲能力;在相似度計(jì)算中引入了頻率和位置權(quán)重,改善了對(duì)語(yǔ)境識(shí)別的敏感度,從而提高了XML結(jié)構(gòu)相似度計(jì)算的性能。
  (3)提出了一種基于張量的XML特征降維及綜合相似度計(jì)算方法。由于XML內(nèi)容和結(jié)構(gòu)并非獨(dú)立,內(nèi)容影響結(jié)構(gòu),結(jié)構(gòu)作用內(nèi)容,給出了針對(duì)XML文檔的張量表示并采用基于最大互信息的方法對(duì)其進(jìn)行降維,從非線性的角度設(shè)計(jì)了一種將XML結(jié)構(gòu)和內(nèi)容相

4、融合的綜合相似度度量方法,確定了結(jié)構(gòu)和內(nèi)容的內(nèi)在聯(lián)系和共同作用的方式,提高了XML綜合相似度計(jì)算的性能。
  (4)給出了一種簡(jiǎn)單快速的增量XML聚類(lèi)算法。針對(duì)傳統(tǒng)的增量聚類(lèi)方法不能直接利用XML文檔的特征以及存在的問(wèn)題,從XML文檔的構(gòu)成作為出發(fā)點(diǎn),給出了一種有效的鄰域中心聚類(lèi)的方法,直接使用XML文檔的結(jié)構(gòu)或綜合相似度度量,其聚類(lèi)結(jié)果具有對(duì)隨機(jī)初始中心的選擇不敏感、不規(guī)則聚簇形狀以及過(guò)濾噪聲等優(yōu)點(diǎn)。
  本文工作內(nèi)容適合

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。

評(píng)論

0/150

提交評(píng)論