2023年全國(guó)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72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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、Blog作為一種新興的個(gè)人媒體,正逐步流行于互聯(lián)網(wǎng)中。它承載了大量有價(jià)值的信息,已經(jīng)成為當(dāng)前互聯(lián)網(wǎng)應(yīng)用研究中的一個(gè)熱點(diǎn)。針對(duì)Blog的研究諸如Blog社區(qū)發(fā)現(xiàn),Blog主題提取等日益引起人們的關(guān)注,這些研究都需要結(jié)構(gòu)化的Blog信息。于是對(duì)Blog網(wǎng)頁的信息抽取成為不可或缺的研究?jī)?nèi)容。
  Blog網(wǎng)頁的信息抽取相比于傳統(tǒng)網(wǎng)頁的信息抽取有著很大的區(qū)別。首先,Blog網(wǎng)站由于自身信息量大的特點(diǎn),廣泛使用了Web2.0的Ajax技術(shù)。

2、普通的網(wǎng)絡(luò)爬蟲無法獲取這種異步傳輸?shù)臄?shù)據(jù)內(nèi)容。其次,Blog網(wǎng)站強(qiáng)調(diào)個(gè)性化的理念,它們?cè)试SBlog的作者隨意修改自己Blog網(wǎng)頁的布局。這就讓原本已是半結(jié)構(gòu)化難以處理的HTML網(wǎng)頁信息更靈活,給傳統(tǒng)的信息抽取算法提出了個(gè)難題。
  本文對(duì)Ajax技術(shù)進(jìn)行深入的分析之后,提出了通過執(zhí)行JavaScript與重建DOM樹的方式獲取異步網(wǎng)頁信息的方案。該方案在本文的原型系統(tǒng)中實(shí)現(xiàn),實(shí)驗(yàn)中對(duì)sohu.com,sina.com等幾個(gè)國(guó)內(nèi)大型

3、應(yīng)用Ajax技術(shù)的Blog網(wǎng)站進(jìn)行數(shù)據(jù)抓取,實(shí)驗(yàn)準(zhǔn)確率能達(dá)96%以上,效果較為理想。
  本文對(duì)Blog網(wǎng)頁的結(jié)構(gòu)和語義信息進(jìn)行了深入的分析之后,定義了網(wǎng)頁“塊(Block)”的概念。根據(jù)Blog網(wǎng)頁半模板化的特點(diǎn),提出了使用結(jié)構(gòu)與語義兩個(gè)特征作為信息抽取的依據(jù)。本文提出使用ontology來表示Blog中信息與Block的關(guān)系,Block與Block的關(guān)系,語義與Block的關(guān)系以及語義與信息的關(guān)系,建立Blog信息抽取的知識(shí)庫

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(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)頁內(nèi)容里面會(huì)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(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