检索结果-内蒙古大学图书馆

作者：董娟中国石油大学

学位级别：硕士

随着Internet的快速发展,越来越多的人们在网络上搜索需要的信息。然而,在互联网上,几乎所有的网页都包含着与主题无关的噪音信息,比如广告条、导航栏等。它们严重影响着搜索引擎的检索结果,因此网页信息抽取技术应运而生。在众多的网... 详细信息

随着Internet的快速发展,越来越多的人们在网络上搜索需要的信息。然而,在互联网上,几乎所有的网页都包含着与主题无关的噪音信息,比如广告条、导航栏等。它们严重影响着搜索引擎的检索结果,因此网页信息抽取技术应运而生。在众多的网页信息抽取方法中,基于页面结构分析的方法,更有助于对网页的理解,所以成为研究的热点。介绍了网页信息抽取技术的发展、原理和相关技术,深入讨论了页面结构分析方法在网页信息抽取中的重要作用。研究了现有的页面结构分析技术,针对其存在的缺乏语义特征的问题,采取同时提取网页空间特征和文本特征的方法,并提出了一种综合视觉特征和语义特征的相似度算法,提高了网页信息抽取的准确率。针对现有网页信息抽取方法忽略视觉特征、识别知识模糊的问题,在利用视觉特征进行网页分块的基础上,提取了各个数据块的12个特征,形成特征向量,利用综合相似度算法计算数据块的距离。由于数据块语义分散,因此采用聚类算法将相似语义和结构的数据块聚集到一起,然后通过视觉特征抽取主题信息,有效地克服了现有方法识别知识模糊的问题。最后,将本文抽取方法与另一种网页信息抽取方法进行了比较,并将两种方法的抽取结果应用于k-最近邻网页分类器。实验表明,本文方法能够更有效地抽取网页主题信息,具有更高的分类准确率。

关键词：页面结构分析网页信息抽取 VIPS算法向量空间模型文本聚类

来源：评论

学校读者我要写书评

暂无评论

含有位置坐标树的Web页面分析和内容提取框架

引用

清华大学学报（自然科学版） 2005年第S1期45卷 1767-1771页

作者：封化民刘飚刘艳敏方勇宋国森北京电子科技学院信息安全与保密重点实验室北京100070 北京邮电大学电信工程学院北京100876 燕山大学信息工程学院秦皇岛066004

随着In ternet的发展,W eb上信息呈爆炸式增长趋势,呈现方式也愈发多种多样,这就给信息检索、信息提取等计算机处理带来了巨大困难。针对HTM L的半结构化特征和DOM缺乏位置信息的不足,该文提出了一种新型的W eb页面分析和内容提取框架,... 详细信息

随着In ternet的发展,W eb上信息呈爆炸式增长趋势,呈现方式也愈发多种多样,这就给信息检索、信息提取等计算机处理带来了巨大困难。针对HTM L的半结构化特征和DOM缺乏位置信息的不足,该文提出了一种新型的W eb页面分析和内容提取框架,该框架既包括一种新型的含有位置信息的坐标树模型,还包括能反映空间关系的图模型,将HTM L文档转换为坐标树,并结合位置特征和空间关系对网页进行分析和提取内容。对来自120个网站的5 000个网页进行测试后的结果表明该方法可达到93.78%的准确率。

关键词：坐标树页面结构分析内容抽取 DOM 启发式规则

来源：评论

学校读者我要写书评

暂无评论

Web页面主题信息抽取研究与实现

引用

计算机工程与应用 2006年第21期42卷 146-148页

作者：刘艳敏刘飚封化民宋国森方勇燕山大学信息工程学院河北秦皇岛066004 北京邮电大学电信工程学院北京100876 北京电子科技学院信息安全与保密重点实验室北京100070

Web页面中的主要信息通常隐藏在大量无关的特征中,如无关紧要的图片和不相关的连接,使用户不能迅速获取主题信息,限制了Web的可用性。论文提出一种网页主题内容提取的方法及相应算法,并通过人工判定的方法对来自120个网站的5000个网页... 详细信息

Web页面中的主要信息通常隐藏在大量无关的特征中,如无关紧要的图片和不相关的连接,使用户不能迅速获取主题信息,限制了Web的可用性。论文提出一种网页主题内容提取的方法及相应算法,并通过人工判定的方法对来自120个网站的5000个网页进行了测试和评估。实验结果表明该方法切实可行,可达到91.35%的准确率。

关键词： HTML 信息提取页面结构分析标记统计

来源：评论

学校读者我要写书评

暂无评论

基于新型坐标树的页面分析和内容提取框架

基于新型坐标树的页面分析和内容提取框架

引用

作者：刘飚北京邮电大学

学位级别：硕士

随着互联网的发展和动态网页生成技术的成熟，网页的数量呈爆炸性的增长。而为了商业上的考虑和网站的维护，很多网页都充斥着很多重复性高且与网页主题内容无关的信息。例如：广告、表单和版权声明等。这些内容充斥在每个网页但是却多半不是使用者想要的信息。而目前一般的搜索引擎无法辨别这些不相关的部分，便索引网页所有部分，这不但会使得索引档案巨大而不易管理，也会使搜索结果产生偏差。另外，当使用者利用小型显示装置，如：掌上电脑(PDA)，手机等，浏览网页时，也必须经过多次的滚动页面和找寻才能得到想要的信息。所以，在论文中我们提出了一种网页结构分析和内容提取系统来获得网页中真正有信息的部分，以提高基于网页内容的应用系统的服务质量。针对HTML的半结构化特征和DOM缺乏位置信息和空间关系描述的不足，本文提出了一种新型的Web页面分析和内容提取框架，该框架既包括一种新型的含有位置信息的页面坐标树模型，还包括能反映空间关系的Graph模型。通过将HTML文档转换为坐标树，并结合位置特征和空间关系可对网页进行分析和提取内容。对来自120个网站的5000个网页进行测试后的结果表明该方法可达到93.87％的准确率，并且对相关连接和相关图片的抽取有较高的准确率和召回率。这表明我们的方法可以很有效的提取出网页的主题内容，这对基于网页内容的应用系统和基于网页超链指向的应用系统都有很大帮助。在本文的最后我们提出了一种基于决策支持向量机的网页自动分类系统，并将我们的主题内容提取方法应用到该系统，实验表明主题提取提高了原有系统的正确率和召回率。

关键词：页面结构分析内容抽取 DOM 坐标树启发式规则

来源：评论

学校读者我要写书评

暂无评论

大规模复杂文档图像快速检索系统的研究与实现

大规模复杂文档图像快速检索系统的研究与实现

引用

作者：冯所前北京大学

学位级别：硕士

本文针对包含不同分辨率、不同颜色灰度、中文、日文和英文等多种文字的大规模文档图像检索问题，提出了一种新的基于图像特征的文档图像检索方法。该方法在对文档图像进行预处理后，提取文档图像的密度分布特征(DensityDistributionFea... 详细信息

本文针对包含不同分辨率、不同颜色灰度、中文、日文和英文等多种文字的大规模文档图像检索问题，提出了一种新的基于图像特征的文档图像检索方法。该方法在对文档图像进行预处理后，提取文档图像的密度分布特征(DensityDistributionFeatures，DDF)，前景局部分布特征，和关键块特征(KeyBlockFeatures，KBF)，页面几何结构全局特征，然后依靠密度分布特征对图像进行相似度匹配，再利用关键块特征对匹配产生的候选图像进行可靠性检测，最后给出检索结果。为了提高算法的检索效率，采用基于倒排文件思想的重叠索引技术。避免了检索阶段的逐一检测过程，从而大大缩小了匹配空间，有效地提高了检索速度。\n 在包含10,000多文档的大规模文档图像数据库上进行实验，结果表明上述方法可以有效地在包含不同分辨率、不同颜色深度、混合多种文字(中文、英文、日文)的大规模文档图像数据库中实现快速检索；平均的检索时间为2.42秒，前五名检索成功的准确率为：95.

关键词：文档图像检索系统页面结构分析密度分布特征重叠索引

来源：评论

学校读者我要写书评

暂无评论

Web内容抽取及语义识别算法研究

Web内容抽取及语义识别算法研究

引用

作者：刘艳敏燕山大学

学位级别：硕士

随着Internet的发展,互联网作为一个功能强大的网络媒体,它实际上是一个双刃剑,它在作正面的媒体宣传和导向时,也难免被敌对势力所利用。因此,基于网页内容的信息安全技术研究已经成为信息安全的一个重要分支。而基于内容的信息安全的... 详细信息

随着Internet的发展,互联网作为一个功能强大的网络媒体,它实际上是一个双刃剑,它在作正面的媒体宣传和导向时,也难免被敌对势力所利用。因此,基于网页内容的信息安全技术研究已经成为信息安全的一个重要分支。而基于内容的信息安全的具体实现中最有效的就是文本分类,快速而准确地识别网页主题内容是提高分类准确度的关键技术之一。本文就Web页面结构分析和主题内容提取以及对抽出文本的平面分类进行了研究。首先,本文介绍了Web网页的特点和HTML语言以及DOM(DocumentObject Model)树的特点和应用。其次,文中介绍了相关研究工作,对比分析了几种Web页面结构分析和主题内容提取的方法,并在此基础上提出了自己的方法——基于统计的方法和基于坐标树的方法。基于统计的方法是一种简单而有效的方法,它从本质上抓住了网页的设计特征和HTML源代码的特征,通用性高。实验表明该方法切实可行,具有较高的准确率。但该方法只对主题文字内容有效,对相关连接和相关图片等多媒体信息就显得力不从心。因此,本文又提出新型的基于坐标树的方法,该方法针对DOM缺乏位置信息的不足,加入了坐标信息生成坐标树,并且还给出了能反映网页空间关系的图模型。通过将HTML文档转换为坐标树,结合位置特征和空间关系可对网页进行分析和提取内容。对来自120个网站的5 000个网页进行测试后的结果表明该方法可达到93.78%的准确率,并且对相关连接和相关图片的抽取有较高的准确率和召回率。最后,本文对文本分类做了简单研究,提出决策支持向量机的分类法,对抽取的文本内容进行分类,结果比较满意。

关键词：页面结构分析内容抽取 DOM 坐标树启发式规则标记统计文本分类

来源：评论

学校读者我要写书评

暂无评论

Web信息抽取技术在统一检索系统中的应用研究

引用

计算机应用与软件 2010年第10期27卷 120-122,137页

作者：王权施韶亭甘肃省科学技术情报研究所甘肃兰州730000

结合统一检索系统的信息抽取特点,应用基于HTML结构的信息抽取方法,介绍人工找到切割关键信息块的标记和位置的方法,最后提出基于子树广度的Web信息抽取方法,并给出了抽取规则的实现方案及实例。实验证明,该方法在基于Web过程模拟的统... 详细信息

结合统一检索系统的信息抽取特点,应用基于HTML结构的信息抽取方法,介绍人工找到切割关键信息块的标记和位置的方法,最后提出基于子树广度的Web信息抽取方法,并给出了抽取规则的实现方案及实例。实验证明,该方法在基于Web过程模拟的统一检索系统中能保证很高的数据抽取回召率和查准率,并且成功应用于四家省级科技文献共享平台。

关键词： Web信息抽取统一检索页面结构分析关键信息块子树广度

来源：评论

学校读者我要写书评

暂无评论

基于DOM规范的网页分析技术研究

引用

成都信息工程学院学报 2007年第z1期22卷 113-117页

作者：林昌平郑皎凌成都信息工程学院软件工程系四川成都610225

基于DOM树模型进行网页建模,同时利用深度优先的递归算法对DOM树模型进行遍历。通过将HTML文档转换为DOM树,对其遍历后给树的节点唯一标号来对网页进行分析。为了更直观的分析网页结构还采用图形界面的形式来显示树型DOM文档。实验表明... 详细信息

基于DOM树模型进行网页建模,同时利用深度优先的递归算法对DOM树模型进行遍历。通过将HTML文档转换为DOM树,对其遍历后给树的节点唯一标号来对网页进行分析。为了更直观的分析网页结构还采用图形界面的形式来显示树型DOM文档。实验表明,提出的这种方法能够很好地分析Web页面标记的嵌套结构,并能准确地与转化成DOM树之后的嵌套结构相匹配,从而达到了精确的网页分析和网页节点定位的目的。

关键词：页面结构分析 DOM 深度优先遍历树型结构

来源：评论

学校读者我要写书评

暂无评论

基于新型坐标树的页面分析和内容提取方法

基于新型坐标树的页面分析和内容提取方法

引用

第二届全国信息检索与内容安全学术会议（NCIRCS-2005）

作者：刘飚刘艳敏封化民方勇宋国森北京邮电大学电信工程学院燕山大学信息工程学院北京电子科技学院信息安全与保密重点实验室北京邮电大学电信工程学院燕山大学信息工程学院

Web页面中“噪音”是影响基于网页内容的Web分类质量的一个重要因素,快速而准确的识别网页的主题内容是提高分类准确率的关键技术之一。针对HTML的半结构化特征和DOM缺乏位置信息的不足,本文提出了一种新型的Web页面分析和内容提取框架... 详细信息

Web页面中“噪音”是影响基于网页内容的Web分类质量的一个重要因素,快速而准确的识别网页的主题内容是提高分类准确率的关键技术之一。针对HTML的半结构化特征和DOM缺乏位置信息的不足,本文提出了一种新型的Web页面分析和内容提取框架,该框架既包括一种新型的含有位置信息的页面坐标树模型,还包括能反映空间关系的图形模型。通过将HTML文档转换为坐标树,并结合位置特征和空间关系可对网页进行分析和提取内容。对来自120个网站的5000个网页进行测试后的结果表明该方法可达到93.78%的准确率。

关键词：坐标树页面结构分析内容抽取 DOM 启发式规则

来源：评论

学校读者我要写书评

暂无评论

基于新型坐标树的页面分析和内容提取方法

基于新型坐标树的页面分析和内容提取方法

引用

第二届全国信息检索与内容安全学术会议

作者：刘飚刘艳敏封化民方勇宋国森北京邮电大学电信工程学院北京100876 燕山大学信息工程学院秦皇岛066004 北京电子科技学院信息安全与保密重点实验室北京100070 北京邮电大学电信工程学院北京100876 北京电子科技学院信息安全与保密重点实验室北京100070

Web页面中"噪音"是影响基于网页内容的Web分类质量的一个重要因素,快速而准确的识别网页的主题内容是提高分类准确率的关键技术之一.针对HTML的半结构化特征和DOM缺乏位置信息的不足,本文提出了一种新型的Web页面分析和内容... 详细信息

Web页面中"噪音"是影响基于网页内容的Web分类质量的一个重要因素,快速而准确的识别网页的主题内容是提高分类准确率的关键技术之一.针对HTML的半结构化特征和DOM缺乏位置信息的不足,本文提出了一种新型的Web页面分析和内容提取框架,该框架既包括一种新型的含有位置信息的页面坐标树模型,还包括能反映空间关系的图形模型.通过将HTML文档转换为坐标树,并结合位置特征和空间关系可对网页进行分析和提取内容.对来自120个网站的5000个网页进行测试后的结果表明该方法可达到93.78％的准确率.

关键词：坐标树页面结构分析内容抽取 DOM 启发式规则

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：