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
!墅盥!!QQ：Q!§4清华大学学报(自然科学版)2006年第46卷第s1期 13／48
CN11—2223／NJ Univ(SciTech)，2006，V01．46，No．S1 975—982
Tsin窖hua
一种新的web链接提取模型
苏杭1，严建援2
(1．EEcs
Department，Vanderbiltuniversity，Nashville，TN37235，UsA；2．南开大学商学院，天津30007l，中国)
摘要：以搜索引擎链接提取模块所要求的容错性、正确性、全面性、高效性和可扩展性为目标，提出了一种新的链
接提取模型的设计思路。该模型将链接提取过程划分为信息提取、信息加工、信息分析和信息储存。信息的获取是
resource
通过HTML(hypertextmarkuplanguage)文法分析方法从文档中得到初始统一资源地址(uniform
加以筛选和过滤；最后将结果存储在一个灵活的数据结构中。通过对比测试证实这种新的链接提取模式比传统方
法在各项指标上均具有明显优势。
关键词：搜索引擎；链接提取；统一资源地址(uRI)
3
中图分类号：TP 文献标识码：A
文章编号：1000—0054(2006)s1一0975一08
AnewmodelforWeb extraction
URL
2
SU
Han91，YANJianyuan
(1．EECS 37235，USA；
Department，VanderbiltUniversity，NashviUe，TN
2．BusinessSchool，NankaiUniversity，Tianjin300071，China)
AbstI。act：Thisconcludesthebasic inthe ofuniformresourceidentifier(URL)extractormoduleinweb
paper objectivesdesign
which Withthese the
mining， arerobustness，correctness，completeness，effectiveness，andexpansibility． objectives，paper
theweaknessofthe and anewandmore model．Thenewmethod
analyzes originaldesignfurthermore，generalizespowerfuldesign
dividesURLextractionintofour information
steps：i“o蛐AationeXtTaction，informationrefinement，informationanalysis，and
theinformationextraction rawURIinformationisextractedf
文档评论（0）