基于KNN及相關(guān)鏈接的中文網(wǎng)頁(yè)分類研究.pdf_第1頁(yè)
已閱讀1頁(yè)，還剩54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、隨著Internet的飛速發(fā)展，網(wǎng)上信息正在呈指數(shù)級(jí)增長(zhǎng)。面對(duì)雜亂的網(wǎng)頁(yè)信息資源，人們需要對(duì)海量的網(wǎng)頁(yè)信息進(jìn)行分類整理，從而可以快速檢索到期望的目標(biāo)及其關(guān)聯(lián)信息。網(wǎng)頁(yè)自動(dòng)分類提供了處理和組織大規(guī)模網(wǎng)頁(yè)的關(guān)鍵技術(shù)，是使信息資源得以合理有效組織的重要方法。如何提高網(wǎng)頁(yè)分類的準(zhǔn)確率和召回率，是研究人員不懈追求的目標(biāo)。 本文通過(guò)中文網(wǎng)頁(yè)正文提取方法，較好地提取出中文網(wǎng)頁(yè)中的正文文本，將網(wǎng)頁(yè)標(biāo)記的處理、噪音信息過(guò)濾和網(wǎng)頁(yè)正文提取三個(gè)方面結(jié)

2、合起來(lái)。網(wǎng)頁(yè)中的鏈接主要分為兩類，與本頁(yè)主題相關(guān)的鏈接稱為相關(guān)鏈接，與本頁(yè)主題無(wú)關(guān)的鏈接稱為無(wú)關(guān)鏈接，例如導(dǎo)航條和廣告鏈接等等。本文提出的相關(guān)鏈接提取算法，能夠較好地抽取出中文網(wǎng)頁(yè)中的相關(guān)鏈接，該算法時(shí)間復(fù)雜性低，準(zhǔn)確率和召回率都令人滿意。本文基于向量空間模型，采用詞頻法選擇網(wǎng)頁(yè)中的特征詞，采用機(jī)器學(xué)習(xí)算法KNN對(duì)中文網(wǎng)頁(yè)進(jìn)行分類，設(shè)計(jì)實(shí)現(xiàn)了一個(gè)中文網(wǎng)頁(yè)分類器。比較了基于網(wǎng)頁(yè)標(biāo)題分類、基于網(wǎng)頁(yè)正文分類、基于網(wǎng)頁(yè)相關(guān)鏈接分類，以及將正文與

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