主題型網(wǎng)頁發(fā)現(xiàn)以及網(wǎng)頁內(nèi)信息塊發(fā)現(xiàn)(參考版)
2024-10-16 12:49本頁面
【正文】 ? 3. 對于表格類型的網(wǎng)頁，結(jié)合有規(guī)律的行列分布，可以對表格信息進(jìn)行有效的抽取 不足與改進(jìn) ? 找到一個更加科學(xué)的方法來設(shè)定閾值 ? 利用標(biāo)題以獲得更多的信息 ? 更好的“上升”策略 謝 謝 ！請批評指正！ 成員：蔡捷飛、陳啟泓、梁志宏、馬亮、溫澤逢 。 四、進(jìn)一步去除噪音 ? 干擾信息： script、 frame（廣告、或網(wǎng)站定制的腳本） ? 對腳本、 frame的信息進(jìn)行定位，并根據(jù)每段正文的起始和結(jié)束位置與干擾信息塊的關(guān)系，將正文提取出來。 } M=M+parent。 ? 4. 集合 M為空。// 平均長度 任意節(jié)點(diǎn) leaf 屬于 L， calLength（ leaf） averageLength。而對于 p的任何一個子節(jié)點(diǎn) pc， L中都存在節(jié)點(diǎn)，該節(jié)點(diǎn)不是 pc的子節(jié)點(diǎn)。 ? 將網(wǎng)頁以樹（ Tree）的形式表現(xiàn)， HTML標(biāo)簽以及標(biāo)簽內(nèi)的文本都作為樹的（ Tree）節(jié)點(diǎn)存在于該樹中。 ? AnchorText： 錨文本，這些文本也會在瀏覽器中顯示，但是這些文本也是跳往其他網(wǎng)頁的鏈接。 網(wǎng)頁內(nèi)信息塊發(fā)現(xiàn) 一、術(shù)語定義 ? 主題型網(wǎng)頁： 主題型網(wǎng)頁是指網(wǎng)頁中通過文字描述了一件或多件事物，是有一定主題的；如一張具體的新聞網(wǎng)頁就是典型的有主題網(wǎng)頁。 ? 在網(wǎng)頁去噪方面略顯粗糙，需做進(jìn)一步改善 ? 階段 1的特征閾值設(shè)定過于簡單。因?yàn)檫@ %的網(wǎng)頁都是模棱兩可的，對它們進(jìn)行準(zhǔn)確的分類至關(guān)重要！ ? 由于階段 1和階段 2都可能存在一定的誤差，因此經(jīng)過信息塊抽取之后的反饋是很重要的。 抽取網(wǎng)頁重
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1