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54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、網(wǎng)頁內(nèi)往往包含豐富而不同的內(nèi)容,可以分為主題相關(guān)內(nèi)容和主題不相關(guān)內(nèi)容,識別出主題相關(guān)內(nèi)容應(yīng)用于網(wǎng)頁檢索,分類等,可以很大程度上節(jié)約空間以及提高這些應(yīng)用的性能。此方面的研究已經(jīng)有很多,也取得了很大的成果,其中研究較多和應(yīng)用較廣的是利用分塊思想:首先將網(wǎng)頁看作是由多個分離的聚集塊組成,然后識別并取得需要的主題相關(guān)內(nèi)容,即主題信息塊。識別并提取網(wǎng)頁主題相關(guān)內(nèi)容的這一過程稱為網(wǎng)頁內(nèi)容提取。網(wǎng)頁內(nèi)容提取對Web中的Hub型網(wǎng)頁和主題型網(wǎng)頁有不同的

2、含義,對前者是找到該網(wǎng)頁中非噪音內(nèi)容的主要鏈接:對后者是發(fā)現(xiàn)描述網(wǎng)頁主題內(nèi)容的文本以及相關(guān)鏈接。本文的研究主要著眼于以下幾個方面: 首先,本文研究介紹了網(wǎng)頁的類型劃分以及分析了幾種較為有效的劃分網(wǎng)頁類型的算法,并在此基礎(chǔ)上提出了一種改進(jìn)的網(wǎng)頁類型劃分的方法。這種改進(jìn)的算法分為兩個階段。首先利用VIPS算法將網(wǎng)頁劃分為一個個的信息塊,然后分別判斷每一塊的類型,并根據(jù)這些信息塊中是否存在一個滿足要求的主題型信息塊來判斷網(wǎng)頁的類型。實

3、驗結(jié)果表明該方法能準(zhǔn)確的劃分出網(wǎng)頁的類型,正確率達(dá)到98.6%。 其次,本文總結(jié)了以往網(wǎng)頁內(nèi)容提取的各種方法,在此基礎(chǔ)上,提出了一種新的網(wǎng)頁內(nèi)容提取算法,該算法在網(wǎng)頁分塊的基礎(chǔ)上,分析每一塊的特征,得到了主題信息塊的多個特征。并利用概率論對這些特征進(jìn)行量化,得到每個特征與信息塊為主題內(nèi)容的一個對應(yīng)的概率關(guān)系,最后綜合信息塊的所有特征計算得到這個信息塊是主題內(nèi)容的總的概率,通過將這個概率與閾值的比較來判斷信息塊的性質(zhì)。通過實驗可以

4、明顯地看到新算法有效地提取了網(wǎng)頁的主題內(nèi)容,并優(yōu)于其它同類算法。 最后,本文給出了兩個具體的網(wǎng)頁內(nèi)容提取的應(yīng)用:Hidden Web分類和Web檢索。在Hidden Web分類中,通過應(yīng)用本文提出的新的網(wǎng)頁內(nèi)容提取算法得到Hidden Web的文本描述信息,并將其作為一個分類影響因素,從而明顯的提高了分類的效果。在Web檢索中,本文用新的網(wǎng)頁內(nèi)容提取算法提取網(wǎng)頁主題內(nèi)容,對實驗集建立索引,進(jìn)行檢索,并與同類方法進(jìn)行比較,實驗結(jié)果

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