主题型网页发现和网页内容信息块发现.PPTVIP

下载本文档

1
0
约小于1千字
约 7页
2018-02-09 发布于天津
举报
版权申诉

主题型网页发现和网页内容信息块发现.PPT

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

主题型网页发现和网页内容信息块发现山东大学参赛人:关冕报告人: 陈竹敏 2008.4 任务描述任务1: 主题型网页发现：根据主题型网页特征，找到包含信息的网页集合任务2: 主题网页内信息块发现：即如何区分网页内的正文信息和噪音信息任务1 主题型网页发现 (1) 提交两组结果结果1: 采用根左右的方法深度优先遍历DOM树并对树中的结点进行编号，根据结点的编号确定处于网页中间部分的那些结点计算这些结点中出现在超链接中的文字长度为L1, 这些结点中的文字总数为L2 若L1 / L2 =0.75，则认为网页为主题型网页。任务1 主题型网页发现 (2) 结果2: 分析网页的URL，如果URL以/, index., .com/, .cn/，.net/等结尾，则认为该网页为导航型采用根左右的方法深度优先遍历DOM树并对树中的结点进行编号，根据结点的编号确定处于网页中间部分的那些结点计算这些结点中出现在超链接中的文字长度为L1, 这些结点中的文字总数为L2 若L1 / L2 =0.7，则认为该网页为主题型网页任务1 主题型网页发现 (3) 标点符号法：在BODY与/BODY之间找到含有标点符号最多的标签结点（只考虑了“，”和“。”），如果在这个结点中标点符号的个数10，则认为该网页为主题型。采用此方法对训练集进行实验，准确率为92%。但由于测试集中存在大量不符合此方法的网页，并没有被采用。任务2 网页信息块发现 (1) 将网页进行分块可以采用多种方法，比如只用table标签对网页分块，或者用table，div，td，p等容器标签对网页分块，再根据某种规则对某些网页块进行合并本次竞赛中采用div，td，p容器进行网页分块对分好的网页块进行处理，取文字数最多的网页块作为网页内容信息块，计算包含该网页块的最小标签的起始位置和长度针对前一任务的两组结果, 提交对应两组结果 * * * Thank you!