文檔內容抽取與特征選擇技術的研究與實現.pdf_第1頁
已閱讀1頁,還剩59頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著越來越多的信息以電子文檔的形態(tài)存在,文本處理相關軟件也日益增多。在文本處理領域,傳統(tǒng)單一格式文檔處理系統(tǒng)在擴展性和通用性方面已經不能滿足需求。對于文本特征的選擇,現有技術主要是從詞的頻率和詞的語義信息兩個方面進行處理,忽略了詞在源文檔中的重要程度。
  本文針對以上問題,以軍事領域文檔處理為背景,為多格式文檔定義了一種統(tǒng)一的半結構化文本模型,有效地保留了詞在源文檔中的語義結構信息。在此基礎上研究了HTML、XML、PDF和WO

2、RD文檔的內容抽取和特征選擇技術。在HTML正文抽取中,改進了基于DOM樹的網頁正文抽取算法。此外,針對現有文本特征選擇算法存在的問題,提出了一種基于信息增益和內容屬性的特征選擇算法,有效地降低了特征維度,使得所選出的特征集合具有更強的區(qū)別度。在對內容抽取和特征選擇技術研究的基礎上,設計并實現了多格式文檔抽取系統(tǒng)。
  最后,通過實驗驗證了改進后的HTML正文抽取算法以及基于信息增益和內容屬性的特征選擇算法的高效性,同時對多格式文

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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確性、安全性和完整性, 同時也不承擔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