面向眾創(chuàng)的網絡信息抽取研究與實現(xiàn).pdf

1、眾創(chuàng)模式是順應創(chuàng)新2.0時代用戶創(chuàng)新、協(xié)同創(chuàng)新、大眾創(chuàng)新、開放創(chuàng)新趨勢，通過專業(yè)化服務、資本化途徑及市場化機制構建的便利化、低成本、開放式、全要素的新型創(chuàng)業(yè)服務平臺的統(tǒng)稱。目前眾創(chuàng)空間僅僅是起步階段，無論哪種商業(yè)模式都需要眾創(chuàng)信息作為支撐。發(fā)展眾創(chuàng)空間要充分借助社會力量，有效利用高校和科研院所、國家自主創(chuàng)新示范區(qū)、應用創(chuàng)新園區(qū)、國家高新區(qū)的有利條件，為創(chuàng)業(yè)者提供良好的資源共享空間、網絡空間、工作空間和社交空間。
　　本文依托于中國

2、科學技術信息研究所“基于位置的眾創(chuàng)信息推薦系統(tǒng)軟件實施項目”中的“基于地理位置的創(chuàng)業(yè)資源定位與精準匹配關鍵技術平臺”子項目，研究并實現(xiàn)了項目中的“眾創(chuàng)資源和眾創(chuàng)信息”子模塊。本項目主要以眾創(chuàng)類網頁為基礎，抽取與眾創(chuàng)相關信息，為創(chuàng)客、企業(yè)提供便捷的創(chuàng)業(yè)信息服務。為了實現(xiàn)抽取與眾創(chuàng)相關信息，本文主要完成了以下工作:
　　1.綜述和分析Web信息抽取相關技術
　　綜述Web信息抽取及相關技術方法，主要內容包括相關概念的介紹，專業(yè)術

3、語的解釋說明，還包括對各種技術的分類，優(yōu)缺點的分析等。
　　2.面向眾創(chuàng)的網頁爬取
　　為了方便信息抽取，先爬取與眾創(chuàng)相關的網頁并下載到本地存儲。然后取URL優(yōu)先級隊列頭部的URL，下載URL指向的網頁，判斷網頁是否和主題(眾創(chuàng))相關，若相關則保存所下載網頁，接著提取網頁中的相關URL并計算優(yōu)先級，將URL根據(jù)優(yōu)先級存儲到優(yōu)先級隊列中繼續(xù)爬取。
　　3.面向眾創(chuàng)的網頁分類
　　本文主要研究與眾創(chuàng)孵化器、眾創(chuàng)活動、

4、眾創(chuàng)新聞、眾創(chuàng)項目相關信息，而爬蟲爬取過程沒有對眾創(chuàng)類型網頁進行詳細劃分。為了提高抽取的準確率，本文需要對網頁進行分類。1.根據(jù)已標注類別的網頁提取特征詞，訓練已分類的樣本網頁?？紤]到每種類型的網頁都有各自的特點，提取特征詞時引入了網頁結構特征來提高分類準確率。2.對需要分類的網頁進行處理，清洗網頁上的無關項，例如廣告，然后將網頁轉換成文本。3.根據(jù)特征詞將每個網頁構造成一個特征向量。構造特征向量的同時也加入了網頁的特征標簽作為特征詞。

5、4.根據(jù)完成訓練的貝葉斯分類器對網頁進行分類。
　　4.面向眾創(chuàng)的網頁信息抽取
　　本文分析了眾創(chuàng)新聞類、眾創(chuàng)孵化器類、眾創(chuàng)活動類、眾創(chuàng)項目類網頁的各自特點，設計了解決每種類型網頁信息抽取的方案:1.對網頁進行無關項清洗。
　　2.根據(jù)網頁中的HTML的組織形式，利用Jsoup工具包生成一棵DOM樹。3.通過規(guī)則庫中標簽組合的形式對Web網頁信息定位，其中規(guī)則庫通過人工總結生成。如從規(guī)則庫中取出div[class=co