基于HTML網(wǎng)頁的Web信息提取研究.pdf_第1頁
已閱讀1頁，還剩68頁未讀， 繼續(xù)免費閱讀

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)，請進行舉報或認領(lǐng)

文檔簡介

1、Web信息提取是指從Web文檔中自動提取感興趣信息的過程。它主要用在元搜索、信息代理等場合。 本文首先介紹了信息提取技術(shù)及其產(chǎn)生背景和發(fā)展歷史，分析了信息提取系統(tǒng)體系結(jié)構(gòu)和關(guān)鍵技術(shù)。對Web信息提取的途徑、主要學(xué)習(xí)算法、評價標準等進行了相關(guān)闡述。 對Web信息提取采用一種基于知識領(lǐng)域的過濾作為其預(yù)處理。該體系主要分為兩部分：一部分是基于專家給出的規(guī)則通過規(guī)則匹配對大量網(wǎng)頁進行估測并選出特定領(lǐng)域的網(wǎng)頁。第二部分是對于已經(jīng)在

2、第一步過濾出的網(wǎng)頁進行URL聚類，從而得到用于信息提取的網(wǎng)頁。以新聞網(wǎng)站的過濾作為具體實例。 提出了一種針對互聯(lián)網(wǎng)中大量存在的模板網(wǎng)頁主題信息進行快速提取的方法。該方法的主要特點為：1)直接對主題信息進行提取，而不需要通過去除網(wǎng)頁噪音的方式來提取主題信息；2)對同模板產(chǎn)生的大量網(wǎng)頁，通過機器學(xué)習(xí)生成模板后，便可直接提取網(wǎng)頁主題信息，而不需要對每一個網(wǎng)頁都進行分析處理；3)以新聞網(wǎng)頁的提取為例分析該方法的具體使用。 提出基

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)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(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