基于维基百科的Web网页数据质量评估系统
本文选题:Web数据质量 + 支持向量机 ; 参考:《南京邮电大学》2014年硕士论文
【摘要】:近几年来,Web信息资源呈爆炸性增长,Web网上充斥着大量重复、篡改、虚假的信息。用户在浏览网页时,往往会迷失在信息的海洋中,无法得知其所获取的信息是否精确、完整。数据质量评估是解决该问题的关键环节。 本文在调研了国内外网页质量评估技术的基础上,结合机器学习、信息抽取等相关知识,提出了一种以维基网页作为参照基准,对用户输入源网页进行评估的方法。该方法主要步骤为:首先针对用户输入的一个网页链接,抽取网页关键字,到维基百科进行网页采集。随后用机器学习的方式对维基网页进行质量鉴别,并对通过鉴别的网页进行信息抽取,以语义三元组的形式存储。最后利用语义三元组,,以比照的形式对源网页进行多维度的质量分析。 本方法具有以下优点:第一,通过集成维基百科相关网页作为基准,充分利用了群众的集体智慧,能较好地反映出源网页的质量缺陷。第二,使用了支持向量机对维基网页进行质量鉴别,并以LDA模型进行主题相关度鉴别,为源网页提供了高质量、高相关度的参照网页。第三,传统的网页评估方法主要是非语义的,在本文的源网页质量评估中,采用了语义的方法,充分挖掘了网页的语义信息。理论分析和实验对比证明了本方法的可行性和有效性。
[Abstract]:In recent years, the information resources of Web are increasing explosively. There are a lot of repeated, tampered and false information on the Web. Users are often lost in the ocean of information when they browse the web, so they can not know whether the information they get is accurate and complete. Data quality evaluation is the key to solve this problem. Based on the research of the domestic and foreign web page quality assessment technology, combined with machine learning, information extraction and other related knowledge, this paper puts forward a method of user input source page evaluation based on Wikimedia page as reference. The main steps of the method are as follows: firstly, the key words are extracted from a web page link input by the user, and then the web page is collected to Wikipedia. Then we use machine learning to identify the quality of Wikimeaks and extract information from the authenticated pages to store them as semantic triples. Finally, semantic triples are used to analyze the multi-dimensional quality of the source pages. The method has the following advantages: first, by integrating Wikipedia related pages as a benchmark, the collective wisdom of the masses is fully utilized, and the quality defects of the source pages can be well reflected. Secondly, support vector machine (SVM) is used to identify the quality of Wikimeaks, and the LDA model is used to identify the relevance of the subject, which provides the reference pages with high quality and high correlation for the source pages. Thirdly, the traditional methods of web page evaluation are mainly non-semantic. In this paper, the semantic method is used to fully excavate the semantic information of web pages. The theoretical analysis and experimental results show that the method is feasible and effective.
【学位授予单位】:南京邮电大学
【学位级别】:硕士
【学位授予年份】:2014
【分类号】:TP393.092
【相似文献】
相关期刊论文 前10条
1 松涛;“吸”尽网络中有用的网页信息[J];电脑知识与技术;2004年13期
2 朱精南,赵明生;网页版面信息分析[J];计算机工程;2004年12期
3 梁邦勇,李涓子,王克宏;基于语义Web的网页推荐模型[J];清华大学学报(自然科学版);2004年09期
4 王海燕;张正凯;任建浩;;从审美角度浅谈网页艺术设计[J];中国电化教育;2004年09期
5 贾海龙,任玉珍;网页艺术设计[J];新乡师范高等专科学校学报;2005年05期
6 刘肖冰;浅谈网页艺术设计[J];安阳师范学院学报;2005年05期
7 孙迎春;;网页设计研究[J];南平师专学报;2005年03期
8 文涛;网页的视觉传达设计与分析[J];沈阳教育学院学报;2005年01期
9 宋春晖;网页设计中的美学应用分析[J];海南师范学院学报(自然科学版);2005年01期
10 张秀虎;;浅谈网页的访问权限[J];教育信息化;2005年17期
相关会议论文 前10条
1 吴建军;;谈网页设计的艺术性表现[A];经天纬地——全国测绘科技信息网中南分网第十九次学术交流会优秀论文选编[C];2005年
2 韩近强;赵静;杨冬青;唐世渭;姚小波;;基于领域知识的网页筛选系统[A];第十九届全国数据库学术会议论文集(技术报告篇)[C];2002年
3 昝红英;苏玉梅;孙斌;俞士汶;;基于浅层分析的网页相关度研究[A];语言计算与基于内容的文本处理——全国第七届计算语言学联合学术会议论文集[C];2003年
4 孙静;刘正捷;奚小玲;王慧;;帮助盲人理解网页信息的一种网页结构划分方法[A];第一届建立和谐人机环境联合学术会议(HHME2005)论文集[C];2005年
5 曹淮;晁丁丁;;3D元素在网页信息传达中的应用研究[A];2006年中国机械工程学会年会暨中国工程院机械与运载工程学部首届年会论文集[C];2006年
6 唐超;刘辰;杨正球;;使用多层迭代分析和分类网页文档的方法[A];2007北京地区高校研究生学术交流会通信与信息技术会议论文集(上册)[C];2008年
7 马骁;王晓龙;王轩;卜永忠;;基于网页信息结构的网页体裁聚类分析[A];第四届全国信息检索与内容安全学术会议论文集(上)[C];2008年
8 罗阳;季铎;张桂平;王莹莹;;面向单一网页的双语资源挖掘方法[A];第六届全国信息检索学术会议论文集[C];2010年
9 于满泉;谭松波;许洪波;;网页内部结构挖掘技术研究[A];NCIRCS2004第一届全国信息检索与内容安全学术会议论文集[C];2004年
10 王宇;黄炜;肖艳芹;任建立;李天柱;;ORBASE用于基于内容的Web查询[A];第十七届全国数据库学术会议论文集(技术报告篇)[C];2000年
相关重要报纸文章 前10条
1 本报记者 曾居仁 通讯员 郝金荣;贵州“万村千乡”网页工程开辟为农服务新渠道[N];中国气象报;2012年
2 壮壮;批量保存网页信息[N];电脑报;2004年
3 罗震宇 严小斌;一种新型WEB开发技术的探讨[N];中国冶金报;2011年
4 钱鹏;网尽Web页中的好东东[N];电脑报;2004年
5 星之海洋;迈出网页制作的第一步[N];电脑报;2004年
6 河南 张金贵;FrontPage2000组件详解(四)[N];电脑报;2001年
7 枫尔;网站浏览提速的五大秘方[N];中国证券报;2004年
8 飘零剑客;网络监控利器——AnyView[N];中国电脑教育报;2004年
9 八戒;眨眼之间 答案立现[N];电脑报;2013年
10 ;网络应用 天龙八“步” 申请上网账号[N];电脑报;2002年
相关博士学位论文 前10条
1 陈洁;基于概念融合的网页筛选技术研究[D];北京邮电大学;2013年
2 龚昌盛;基于语义标注的网页广告加载模型研究[D];武汉大学;2010年
3 孙建涛;Web挖掘中的降维和分类方法研究[D];清华大学;2005年
4 黄华军;网页信息隐藏与隐秘信息检测研究[D];湖南大学;2007年
5 徐晴阳;基于关系子群发现算法的聚焦爬行技术[D];吉林大学;2008年
6 曹鲁慧;Web个人信息集成问题研究[D];山东大学;2012年
7 刘馨月;Web挖掘中的链接分析与话题检测研究[D];大连理工大学;2012年
8 罗娜;基于本体的主题爬行技术研究[D];吉林大学;2009年
9 张勇实;基于链接相似性分析的WEB结构挖掘方法研究[D];哈尔滨工程大学;2012年
10 宗校军;中文网页定题采集及分类研究[D];华中科技大学;2006年
相关硕士学位论文 前10条
1 高文梁;改进的基于历史信息分析的网页排序算法[D];大连理工大学;2009年
2 刘辉;网页信息过滤系统的研究与设计[D];苏州大学;2009年
3 赵胤;海量网页搜集系统的设计[D];东北大学 ;2009年
4 罗永莲;突发事件语料噪声排除与网页去重方法研究[D];山西大学;2005年
5 黄永光;基于网页挖掘的搜索引擎若干技术的研究[D];哈尔滨工业大学;2006年
6 张超群;基于网页分块技术的主题爬行[D];吉林大学;2007年
7 张雅洁;网页视觉基础设计与应用研究[D];东北师范大学;2007年
8 黄文蓓;基于网页分割和摘要的小屏幕设备网页自适应技术研究与实现[D];华东师范大学;2008年
9 刘华晖;需求概念图导引下的网页检索结果分析[D];上海交通大学;2011年
10 程欢;网页中动态色彩及其情感可视化研究[D];哈尔滨工业大学;2011年
本文编号:1845702
本文链接:https://www.wllwen.com/guanlilunwen/ydhl/1845702.html