基于定位重復(fù)結(jié)構(gòu)算法的DeepWeb數(shù)據(jù)抽取.pdf_第1頁
已閱讀1頁，還剩35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(bào)或認(rèn)領(lǐng)

文檔簡介

1、越來越多的研究者將精力投入到Deep Web的信息查詢中去，而目前DeepWeb數(shù)據(jù)抽取方面的主流模式是用人工參與的方式將每一類網(wǎng)頁解析成tag樹的結(jié)構(gòu)并找出其中有用信息所在的模塊作為標(biāo)尺然后抽取此類網(wǎng)頁tag樹中的同位置節(jié)點(diǎn)中的內(nèi)容，但是這種抽取方式也有一定的弊端，由于HTML頁面的結(jié)構(gòu)自由和形式的多樣性使得網(wǎng)絡(luò)上HTML頁面的結(jié)構(gòu)類型非常繁多復(fù)雜，各種類型的頁面都需要做出那一類型的標(biāo)準(zhǔn)樹結(jié)構(gòu)會導(dǎo)致數(shù)據(jù)抽取過程中手工成分非常繁多，因此

2、如何有效的減少數(shù)據(jù)抽取中的手工參與的成份成為了一件比較有挑戰(zhàn)性的任務(wù)。
　　 本文提出了一種新的數(shù)據(jù)抽取的方式，即自動查找tag樹中的最大重復(fù)結(jié)構(gòu)來解決這一問題。在本文中通過將數(shù)據(jù)挖掘中的經(jīng)典算法Apriori算法引入到Deepweb數(shù)據(jù)抽取系統(tǒng)中進(jìn)行一些實(shí)驗(yàn)性的工作，從得到的實(shí)驗(yàn)結(jié)果以及相關(guān)的效率趨勢分析來驗(yàn)證減少Deepweb數(shù)據(jù)抽取中人工參與的可行性。
　　 本文首先將HTML頁面轉(zhuǎn)換成符合W3C標(biāo)準(zhǔn)的XHTML格

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(shí)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