原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第25 卷第7 期 计算机应用 Vol. 25 No. 7
2005 年7 月 Computer Applications July 2005
文章编号：1001 - 9081（2005 ）07 - 17 13 - 03
网页查重技术在企业数据仓库中的应用
1，2 2 3 3
白广慧 ，连 浩 ，刘 悦 ，程学旗
（1. 中国网通集团研究院，北京100036 ；2 . 中国科学院研究生院，北京 100039 ；
3. 中国科学院计算技术研究所，北京100080 ）
（baiguanghui@ rd-bta. com. cn ）
摘 要：介绍了处理网页排重的三类通用方法，并介绍了在企业数据仓库系统中，通过利用相似
性检索技术实现情报资料自动排重的应用。通过对测试结果的评估表明，这种基于相似性检索技术
的自动排重的方法能够达到较好的效果，实现了企业情报资料智能化预处理的应用。
关键词：数据仓库；网页查重；支持向量机；向量空间模型
TP391. 3 文献标识码：A
中图分类号：
Automatic detection of online duplication documents
and its application in enterprise data warehouse
1, 2 2 3 3
BAI Guang-hui , LIAN Hao , LIU Yue , CHENG Xue-qi
( 1. China Netcom Group Labs, Beij ing 100036, China; 2. Graduate School, Chinese Academy of Sciences, Beij ing 100039, China;
3. Institute of Comp uting Technology, Chinese Academy of Sciences, Beij ing 100080, China)
Abstract: Three general methods to detect duplicate Web pages were introduced. The similarity search technique was
used to detect duplicate information automatically in enterprise data warehouse. The results indicate that the similarity search
method is fit for intelligent pretreatment of enterprise intelligence data.
Key words: data warehouse; online duplicate documents detection; Support Vector Machine ( SVM) ; Vector Space Model
( VSM)
文档评论（0）