基于DOM樹的web新聞?wù)某槿〖夹g(shù)的研究與實(shí)現(xiàn).pdf_第1頁
已閱讀1頁，還剩55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)

文檔簡介

1、隨著Internet的發(fā)展，目前的網(wǎng)絡(luò)已經(jīng)是一個(gè)巨大的數(shù)據(jù)存儲(chǔ)倉庫。Web新聞是現(xiàn)代人們獲取信息的重要源泉。但是互聯(lián)網(wǎng)中的信息與噪音幾乎是并存的。為了從這個(gè)巨大的數(shù)據(jù)存儲(chǔ)倉庫中獲得相關(guān)的信息，國內(nèi)外已經(jīng)做了很多研究。目前通用的抽取網(wǎng)頁新聞?wù)牡姆椒ㄖ饕袃煞N：一種是過濾網(wǎng)頁中的噪音，另一種是直接定位網(wǎng)頁正文內(nèi)容。在這篇文章中綜合使用這兩種方法來抽取網(wǎng)頁新聞的正文。
　　 由于網(wǎng)頁自身的特征，每個(gè)網(wǎng)頁都可以轉(zhuǎn)化為一棵DOM(Doc

2、ument ObjectModel)樹。所以對(duì)網(wǎng)頁的操作可以轉(zhuǎn)化為對(duì)樹的操作。STM(Simple Tree Matching)算法是計(jì)算兩個(gè)樹相似度的傳統(tǒng)方法，這里對(duì)STM算法進(jìn)行改進(jìn)使其可以對(duì)共享公共抽取路徑的網(wǎng)頁進(jìn)行自動(dòng)聚類。本文通過網(wǎng)頁分塊和網(wǎng)頁信息化的度量來定位主文本信息的位置。本文的方法可應(yīng)用在結(jié)構(gòu)化的網(wǎng)頁。本文使用自己的算法開發(fā)了一個(gè)基于在線新聞的正文抽取系統(tǒng)。本文的實(shí)驗(yàn)是基于在線的新聞網(wǎng)站，結(jié)果也證實(shí)這個(gè)算法比RTDM(

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