2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩56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),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著互聯(lián)網(wǎng)的發(fā)展與普及,越來越多的人依賴于從網(wǎng)絡(luò)上獲取信息,但是為了維護(hù)商業(yè)利益和推廣的需要,網(wǎng)絡(luò)上充斥著大量的噪音信息,嚴(yán)重干擾了人們對信息的獲取,基于此本文提出了一種基于DOM(DocumentObjectModel)樹的網(wǎng)頁信息提取方法。
  通過對常用的網(wǎng)頁去噪和信息提取方法進(jìn)行分析發(fā)現(xiàn),某些基于DOM實(shí)現(xiàn)的網(wǎng)頁提取方法并不能判斷不含有超級鏈接的網(wǎng)頁噪音,而且不能處理正文分布在DIV標(biāo)簽中的情況,去噪效果不理想。本文從以下

2、幾個方面解決了上述問題:
  1.利用VIPS(VisionBasedPageSegmentation)實(shí)現(xiàn)網(wǎng)頁內(nèi)容分塊,有效的劃分開了與網(wǎng)頁主題相關(guān)的信息塊和噪音信息塊。
  2.將所劃分得到的塊轉(zhuǎn)化為DOM樹形結(jié)構(gòu)。用VIPS方法劃分出來的每個內(nèi)容塊都是一個樹形結(jié)構(gòu),將網(wǎng)頁進(jìn)行了更加細(xì)粒度的劃分。
  3.用遞歸方法對DOM樹中存在于標(biāo)簽中的節(jié)點(diǎn)信息進(jìn)行提取,有效的解決了主題信息存在于TABLE和DIV標(biāo)簽中的問題

3、。根據(jù)網(wǎng)頁標(biāo)題與結(jié)點(diǎn)中詞共現(xiàn)頻率以及文本間的相似度實(shí)現(xiàn)網(wǎng)頁正文內(nèi)容的提取。在計(jì)算網(wǎng)頁標(biāo)題與結(jié)點(diǎn)詞共現(xiàn)頻率時,將標(biāo)題中的詞賦予較大的權(quán)重,文本中的節(jié)點(diǎn)詞賦予較小的權(quán)重,有效提高了信息提取的準(zhǔn)確性。
  最后,本文利用JTidy和爬蟲的有關(guān)知識對系統(tǒng)進(jìn)行了簡單的實(shí)現(xiàn),根據(jù)待爬行URL與主題的相關(guān)度,把滿足條件的URL加入到待提取隊(duì)列,并且根據(jù)正在爬行的網(wǎng)頁正文內(nèi)容與新聞類別主題的相似度,下載滿足條件的網(wǎng)頁,提取到相關(guān)新聞網(wǎng)頁上新聞的標(biāo)

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空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對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, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論