Web數(shù)據(jù)抽取技術研究.pdf_第1頁
已閱讀1頁，還剩62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、當今，互聯(lián)網已成為信息傳播與共享的重要資源。由于Web數(shù)據(jù)的半結構化、異構、海量等特點，使得傳統(tǒng)的數(shù)據(jù)挖掘技術不能直接運用到Web頁面數(shù)據(jù)源上。因此先要對半結構化的Web頁面數(shù)據(jù)進行抽取有用的信息，于是Web數(shù)據(jù)抽取技術應運而生。由于XML的結構化、可擴展性等眾多優(yōu)點，因此將Web數(shù)據(jù)抽取的結果以XML形式輸出更適合于數(shù)據(jù)挖掘的需要。 本文首先介紹了當前信息抽取理論的研究現(xiàn)狀和熱點技術，重點分析Web頁面數(shù)據(jù)的特征并研究了Web

2、頁面數(shù)據(jù)抽取技術。本文通過分析Web頁面的視覺特征對DOM樹進行擴展，結合擴展的DOM樹對簡單樹匹配STM算法進行改進并應用于本文的抽取過程中。然后本文在Bing Li等人提出的Web自動抽取系統(tǒng)基礎上結合頁面視覺特征對MDR算法進行改進。最后，本文為了提高算法的數(shù)據(jù)對象識別能力引入了抽取模式的概念，給出了抽取模式樹結構，并應用于抽取中。實驗表明，抽取模式樹的引入提高了數(shù)據(jù)抽取的召回率。最后將抽取結果輸出為XML文檔。 最后，本

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