- 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
中文网页分类研究与系统实现_段军峰.pdf
2007Vol34 6 * 清华大学计算机科学与技术系 北京100084 近年来, 网页分类研究逐渐成为网络挖掘和文本挖掘的研究热点, 针对中文网页分类的研究也日益增多本 文详 介绍了一个中文网页分类系统的设计与实现, 并且提出了一些网页预处理和特征处理的方法实验结果表明, 本文的方法可以使中文网页分类性能由81. 5% 提高至94. 9% 中文网页分类, 网页预处理, 特征抽取 Study and System Implementation of Chinese Web- DUA N Jun-Fen H UANG We-i T on LU Yu-Chan Department of Computer Scien ce and Technolo y, T sin hua University, Beijin 100084 Abstract W eb- pa e classification has become a hotspot in the fields of Web minin and text minin in recent years. St udies tow ards Chinese Web-pa e are more and more. A detailed desi n and implementation of a Chinese Web-pa e classification sy st em is introduced, and some met hods on Web-pa e preprocessin and feature processin are proposed. Experimental results show that the proposed methods can improve the effectiveness of Chinese W eb-pa e classification from 81. 5% to 94. 9% . Keywords Chinese W eb-pa e classificat ion, W eb-pa e preprocessin , Feature extraction 3 : HT ML 1 XML , W eb H T ML , XML , 2005 , Goo le 82 , 10 , , , Web W eb , , , , : 1 , H T M L , , ; 2 W eb
, ; 3 , ; 4 , , , 2 1 2. 1 2. 2 1 4 , : 60% , 6 * 座机电话号码 , : ; , : ; , : 210 , HT ML 2. 2. 4 词条选择 , 2. 2. 1 H T ML 解析 , HT ML html , , H T ML , XML 3. 3 HT ML : , ICT CLA S[ 6] , , st yle, script, applet HT- , ML , , metaHT M L , 2. 3 , a href URL , headbody headmeta
, a title, metaa, body , , , : , , , : , , text, , anchor, H T ML , 3. 2 , H T ML HT ML 2. 4 textanchor , table, , : Document fre- quency , DF Information Ga1n, IG Mu- [ 1,2]
H T ML , tual information, MI x-test, CHI , , T erm Stren th, T S , 3. 2 [ 3, 4] 4 , , : IG CH I , , ; DF IG CH I , DF ; MI 2. 2. 2 英文词法分析与中文分词 , , , t : DF , , , , t , , , , , , , , ChineseSe menter[ 5] , , , , , f r eq w , C w t t i
ICT CLAS[ 6] C C num C i i
, , ICT CLA S f r eq w , C w C , num t i t i C C i i , , [ 8, 9]
, , n- ram 2. 5 2. 2. 3 停用词删除与英文词干提取 , , , , t o, : , o, , 580 637 , P c | d : j i |di | P
文档评论(0)