sewm20xx中文網(wǎng)頁分類系統(tǒng)說明(編輯修改稿)
2024-11-04 20:07 本頁面
【文章內(nèi)容簡介】 訓(xùn)練集和待分類網(wǎng)頁集，對網(wǎng)頁進行凈化主要包括以下幾部分： （ 1）根據(jù)網(wǎng)頁中超鏈接在某一塊中的出現(xiàn)比率去除網(wǎng)頁導(dǎo)航條信息； （ 2）利用關(guān)鍵詞構(gòu)造正則表達式來去除廣告欄信息和版權(quán)信息； （ 3）去掉無用的 HTML語法標(biāo)簽信息。 ? 元數(shù)據(jù)抽取模塊 ? 抽取網(wǎng)頁標(biāo)題（ titile）、關(guān)鍵詞（ keywords）和網(wǎng)頁描述（ description）等元數(shù)據(jù)；基于 JTidy去除 Html標(biāo)簽和抽取網(wǎng)頁的主體文本（ body）內(nèi)容。 2020/11/4 7 ? 中文分詞模塊 ?基于逆向最長匹配的分詞算法 ?窮盡式名詞短語識別算法 ? 主要思想是，在分詞的基礎(chǔ)上，進一步找出所有的名詞和名詞性短語； ? 目的是為了構(gòu)建規(guī)則分類器
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1