基于統(tǒng)計方法的網(wǎng)頁內容分類技術研究.pdf_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、由于通信及網(wǎng)絡技術的發(fā)展,網(wǎng)絡數(shù)據(jù)呈現(xiàn)海量特征。如何從浩如煙海的信息數(shù)據(jù)中找到自己需要的信息,是目前亟待解決的一大問題。網(wǎng)頁自動分類技術可以使信息組織更加條理,富有層次性,有助于人們信息的獲取。
   本文研究了網(wǎng)頁內容分類中的相關技術,具體包括:
   (1)基于相似度的網(wǎng)頁正文獲取算法。傳統(tǒng)網(wǎng)頁正文獲取需要經(jīng)過分塊和正文定位兩個步驟,由于網(wǎng)頁結構復雜多樣,使得分塊過程較為復雜而且正文定位困難。本文主要研究無需分塊的網(wǎng)

2、頁正文提取,提出了基于相似度的網(wǎng)頁正文提取算法。首先提取出最大文本行,然后根據(jù)文本內容相似度和標簽相似度來提取網(wǎng)頁正文內容,略過了傳統(tǒng)的分塊步驟。
   (2)改進的特征選擇算法。由于經(jīng)典的卡方統(tǒng)計在選擇特征時偏向于低頻度特征,本文在研究了卡方統(tǒng)計算法之后,提出了基于詞頻擴散的卡方統(tǒng)計降維算法,利用特征的文檔頻率和詞頻結合的方式來代替?zhèn)鹘y(tǒng)的卡方統(tǒng)計公式中的文檔頻率。
   (3)網(wǎng)頁分類實驗平臺的搭建。網(wǎng)頁分類實驗平臺主

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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