基于文档中心内容快速提取的Web监控辅助系统.pdfVIP

基于文档中心内容快速提取的Web监控辅助系统‘ 王灿辉，金奕江，马少平 清华大学计算机科学与技术系北京100084 E-maJl：wangcanhui(aIsinehua．ora．cn 摘要：Web已成为人们获取信息的重要来源。Web数据的产生与传播变得更加自由和使捷．数据量持续 爆炸式增长．因而对Web进行监控和预警的需求也更加迫切。车文提jn一种快速提取文档中心内容的 算法．用于缩减Web海量数据的规模。实验结果表明提取}{{的中心内容只占原文档大小的2，2％，在普 通PC机I：的处理速度达到每秒380篇．并在小规模测试集』二达到r75％以，卜的精度。使用文档中心内 容进行文档分类、聚类和热点抽取与追踪，构成j-Web监拌辅助系统的框架。 关键词：文档中心内容；Web监控 onFastExtraction Web Based of MonitoringSystem DocumentContent Key WANG Can—hui，JINYi-jiang，MAShao-ping and Science 100084．China DepartmemofComputcrTechnology,Tsin窑11HaUniversity,Beijing and ofweb Abstract：Webhasbecomeall Sourcewhen information．Generation important peopleget spread more and webdatais aIan Soitismoreand databecomemoreand freelyeasily,and growingexplosivespeed ofadocument more tomonitorthewebAfast thatextractscontent is u唱ent algorithm key automatically to of data resultsshowthatthesizeof contentsexlrac【edis reducethesizeweb Experimental key proposed todealwith documents whentested 2 documentsandthe isable 380 second only2％oforiginal algorithm per 75％onasmallsize contentsofdocuments onaPC．Precisionoftheextractionexceeds testingset．Key extractedarcused10 document andw