基于标签路径特征的网页正文自适应抽取方法研究

发布时间：2017-08-06 16:18

  本文关键词：基于标签路径特征的网页正文自适应抽取方法研究

  更多相关文章： 信息抽取 标签路径特征 特征融合 特征选择

【摘要】：随着互联网的飞速发展,Web已经成为重要的信息发布平台。然而,Web网页中除了正文信息,还包含着导航、广告和版权信息等大量与网页主题无关的“噪音”信息。网页中的噪音信息会大大降低搜索引擎、新闻聚合等系统的效果,同时也为这些系统的存储造成了负担。因此,网页正文抽取问题具有重要的研究意义和应用价值。本文开展的研究工作如下：(1)提出了基于标签路径特征融合的在线Web新闻内容抽取方法CEPF。设计了标签路径特征系,并提出一种方法将标签路径系中的特征融合为一个新的特征TPF。相对于标签路径中的每个特征,TPF都具有更好的区分网页正文和噪音的能力。在特征融合阶段,一种基于谱聚类的特征选择方法被用来删除冗余的标签路径特征。CEPF利用基于标签路径编辑距离的高斯平滑方法更新TPF特征值,基于平滑后的TPF值和最大类间方差法自适应地从网页中抽取正文信息。CEPF方法是无监督的。实验结果表明,CEPF是一种准确、通用且与语言无关的的Web新闻内容抽取方法。(2)提出了基于长文本标签比的网页正文抽取方法CELTR,该方法从网页DOM树中抽取对应正文信息的子树。CELTR使用最大类间方差法自适应地为DOM树的每个子树计算长文本标签比(LTR)。在大多数情况下,对应网页正文的子树比对应网页噪音的子树具有更高的LTR值,但仍存在少数反常的情况,为此我们在LTR的基础上扩展出LTRS和RLTRS。CELTR利用LTR、LTRS和RLTRS三个特征通过对子树聚类的方法从网页中抽取正文。CELTR方法是无监督的。实验结果表明,CELTR是一种准确、通用且与语言无关的的网页正文抽取方法,且可以保留网页正文原有的结构。(3)设计并实现了一个面向领域主题的Web新闻动态聚合系统,并应用本文的CEPF和CELTR方法解决该系统中的网页正文抽取问题。并分析了网页正文抽取算法在实际应用中的优势与局限性。
【关键词】：信息抽取 标签路径特征 特征融合 特征选择
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.092;TP391.1
【目录】：

• 致谢7-8
• 摘要8-9
• ABSTRACT9-14
• 第一章 绪论14-17
• 1.1 研究背景、目的及意义14-15
• 1.2 研究内容15-16
• 1.2.1 课题来源15
• 1.2.2 本文研究思路和主要研究内容15-16
• 1.2.3 内容组织16
• 1.3 本章小结16-17
• 第二章 网页正文抽取相关研究17-24
• 2.1 相关工作17-22
• 2.2 网页正文抽取的难点22-23
• 2.3 网页正文抽取的评价体系23
• 2.4 本章小结23-24
• 第三章 基于标签路径特征融合的在线Web新闻内容抽取方法24-38
• 3.1 概述24
• 3.2 DOM树与标签路径24-25
• 3.3 标签路径特征系25-28
• 3.4 标签路径特征融合28-30
• 3.4.1 组合特征选择28-30
• 3.4.2 组合特征融合30
• 3.5 基于标签路径特征融合的在线Web新闻内容抽取30-33
• 3.5.1 基于标签路径编辑距离的加权高斯平滑30-32
• 3.5.2 自适应阈值设置与内容抽取算法32-33
• 3.6 实验结果与分析33-37
• 3.6.1 对比算法及实验数据集33-34
• 3.6.2 实验结果分析34-37
• 3.7 本章小结37-38
• 第四章 基于长文本标签比的网页正文抽取方法38-50
• 4.1 概述38
• 4.2 正文子树38-39
• 4.3 长文本标签比39-44
• 4.4 网页正文抽取44-45
• 4.4.1 长文本阈值设置44
• 4.4.2 子树聚类与正文抽取44-45
• 4.5 实验结果与分析45-48
• 4.5.1 实验数据集45-46
• 4.5.2 实验结果分析46-48
• 4.6 本章小结48-50
• 第五章 网页正文抽取算法在Web新闻聚合系统中的应用50-54
• 5.1 概述50
• 5.2 面向领域主题的Web新闻动态聚合系统50-52
• 5.3 网页正文抽取算法在实际应用中的优势和局限性52-53
• 5.4 本章小结53-54
• 第六章 总结与展望54-56
• 6.1 研究工作总结54-55
• 6.2 展望55-56
• 参考文献56-60
• 攻读学位期间的学术活动及成果情况60-61

【相似文献】

中国期刊全文数据库 前10条

1 朱松岩;;网页设计之特性分析[J];山东省农业管理干部学院学报;2009年03期

2 安琳;;国外网页信息存档项目及相关问题研究[J];图书馆建设;2009年12期

3 蒋桂梅;;网页设计的艺术性[J];电脑知识与技术;2010年05期

4 龙正义;;网页长期保存的策略与方法研究[J];档案管理;2010年03期

5 李志义;梁士金;;国内网页去重技术研究:现状与总结[J];图书情报工作;2011年07期

6 王烁;;美国网页归档项目——Internet Archive发展研究[J];兰台世界;2012年17期

7 栗勇兵;韩平;董启雄;;网页信息自动提取的设计与实现[J];计算机光盘软件与应用;2012年18期

8 何立波;周世波;;网页设计中的艺术研究[J];考试周刊;2011年25期

9 秦永平;网页信息共享技术[J];计算机应用;2000年02期

10 项镇;网页设计新概念[J];江西教育学院学报(自然科学);2001年06期

中国重要会议论文全文数据库 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

中国重要报纸全文数据库 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

中国博士学位论文全文数据库 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

中国硕士学位论文全文数据库 前10条

1 敖志敏;基于网页相似度的搜索算法改进的研究[D];上海师范大学;2015年

2 杨寻;地域文化的视觉元素在旅游网页设计中的应用研究[D];西南交通大学;2015年

3 张W，

本文编号：630561