文献阅读笔记（25）-结合网页结构与文本特征的正文提取 2014-07-29

结合网页结构与文本特征的正文提取方法 摘要 通过正则表达式去除网页中的无关元素，完成对网页的初次过滤。根据网页的结构特征对网页进行线性分块，依 ...

(2710)次阅读|(0)个评论

文献阅读笔记（24）-基于URL-DOM的网页去噪方法 2014-07-25

基于 URL-DOM 的网页去噪方法 URL 相似性定义 在一个 URL 中，每两个 “/” 间的内容称为一小段 URL 。如果满足以下条件： 1 ）第一小 ...

(3237)次阅读|(0)个评论

文献阅读笔记（23）-基于网页框架和规则的去噪方法 2014-07-24

基于网页框架和规则的去噪方法 摘要： 提出基于网页框架和规则的去噪方法。根据 TABLE 标签将网页分成若干部分，对各个 TABLE 的长宽比属性进行比较 ...

(2689)次阅读|(0)个评论

文献阅读笔记（22）-基于主题相关性判定的信息提取方法 2014-07-23

基于主题相关性判定的信息提取方法 摘要： 采用 DOM 规范将 HTML 表示成树结构，本文提出 结点主题相关性的判定方法 ，依此方法判定出要抽取的 ...

(3003)次阅读|(0)个评论

文献阅读笔记（21）-条件随机场用于信息抽取 2014-07-21

条件随机场用于信息抽取 随机场 (RF) 在 概率论 中, 由 样本空间 Ω = {0, 1, ..., G − 1} n 取样构成的 随机变量 ...

(3755)次阅读|(0)个评论

文献阅读笔记（20）-基于同层网页相似性的去噪方法 2014-07-20

基于同层网页相似性的去噪方法 同层网页是指在网站的导航结构中同属于一个栏目下的网页。由于现在的网页设计多采用自动生成程序（如 PHP ）或模板，从而 ...

(3275)次阅读|(0)个评论

文献阅读笔记（19）-基于Crunch的网页内容提取的应用 2014-07-18

基于 Crunch 的网页内容提取的应用 Crunch 是哥伦比亚大学 Suhit Gupta 牵头开发出来的一个页面代理 (web proxy) ，与浏览器配合使用，对 HTML 页 ...

(2755)次阅读|(0)个评论

文献阅读笔记（18）-网页信息抽取实验系统设计 2014-07-17

网页信息抽取实验系统设计 本文主要概述硕士论文 的实验系统设计。本系统实现对中文网页的主题信息抽取，系统主要分为以下几个功能模块： DOM 树 ...

(3689)次阅读|(0)个评论

查看更多