sewm20xx中文網(wǎng)頁分類系統(tǒng)說明-資料下載頁
2025-09-20 20:07本頁面
【導讀】系統(tǒng)結(jié)構(gòu)與工作流程。系統(tǒng)模塊及主要算法。對訓練集、CWT20G文件進行解壓，得到兩個網(wǎng)頁文檔集合：。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；去掉無用的HTML語法標簽信息。抽取網(wǎng)頁標題、關(guān)鍵詞和網(wǎng)頁描述。網(wǎng)頁的主體文本內(nèi)容?；谀嫦蜃铋L匹配的分詞算法。主要思想是，在分詞的基礎(chǔ)上，進一步找出所有的。目的是為了構(gòu)建規(guī)則分類器。根據(jù)實詞詞典和停用詞詞典，去除虛詞和停用詞，超高頻詞與超低頻詞在文本表示模塊中去除。由機器自動完成對分類析取規(guī)則集的學習。規(guī)則由名詞或名詞短語構(gòu)成；析取規(guī)則包括DF和IG；利用規(guī)則集合作為輔助分類器。N-gram算法中，N=2，gram為詞。特征選擇基于IG進行選擇。權(quán)重計算采用了改進的LTC方法。編程語言與開發(fā)平臺：。完善網(wǎng)頁的預處理，提高有效文字抽取的。進一步提高規(guī)則學習效率和規(guī)則的有效性。
【正文】 Lenovo PC機 8臺，配置信息如下： CPU： ； 內(nèi)存： 512M； 硬盤： 160G ? 網(wǎng)頁分類 Lenovo PC機 1臺，配置信息如下： CPU： ； 內(nèi)存： 1G； 硬盤： 80G ? 操作系統(tǒng)： Windows XP SP2； ? 編程語言與開發(fā)平臺： Java 2 ， JBuilder 9 。 2020/11/4 11 四、總結(jié)和展望 ? 完善網(wǎng)頁的預處理，提高有效文字抽取的精度； ? 深入研究規(guī)則學習算法和文檔特征項，以進一步提高規(guī)則學習效率和規(guī)則的有效性。 2020/11/4 12 匯報完畢！ 謝謝大家！ 2020/11/4 13
教學課件相關(guān)推薦
鄂ICP備17016276號-1