

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、近年來,以關(guān)鍵詞、短語、概念等特征項為基礎(chǔ)的信息檢索、搜索引擎、文本挖掘、信息抽取等信息獲取技術(shù)得到廣泛研究和應(yīng)用。信息獲取可從海量的、良莠不齊的數(shù)據(jù)中獲取粗信息,并從已獲取的粗信息中發(fā)現(xiàn)、判斷并有效識別能反映客觀事物特征、現(xiàn)象、本質(zhì)及規(guī)律描述的有用的信息。由于中文的詞語間沒有分隔符,中文信息獲取受限于漢語自動分詞、特征提取與特征選擇、特征項的索引與存儲等預(yù)處理工作,時間和空間代價很高,結(jié)果正確率較低。隨著信息數(shù)字化、網(wǎng)絡(luò)化的發(fā)展,數(shù)據(jù)
2、的豐富性、多樣性與信息的過載、迷失的矛盾日益突出,為突破中文文本和Web信息獲取的瓶頸,實現(xiàn)信息的快速搜集、準確鑒別和高效運用,利用漢字搭配技術(shù)獲取信息是一條有效途徑。搭配是指兩個或兩個以上的特征項所組成的語言模式,在詞典編撰、信息檢索等工作中已取得初步成效。漢語言的用字特點、詞法規(guī)則、語法關(guān)系蘊含了豐富的信息,漢字搭配是一種語言模式,承載了其中的部分信息。定義漢字關(guān)聯(lián)度的概念,通過引進頻率、互信息、t-檢驗、2 χ統(tǒng)計和漢字關(guān)聯(lián)度等統(tǒng)
3、計量來量化和度量漢字搭配模式,研究表明,互有側(cè)重的四種統(tǒng)計量及漢字關(guān)聯(lián)度多角度地描述了漢字搭配模式。文檔數(shù)據(jù)是人們獲取信息的主要來源。
本研究利用量化的漢字搭配模式定義文本的漢字搭配矩陣,構(gòu)建了非結(jié)構(gòu)化中文文本的三元組表示方法,提出了適用于生語料的文本相似性度量算法M-similarity和基于實例的文本分類反饋學(xué)習(xí)算法G-KNN 等關(guān)鍵算法,構(gòu)建了六元組表示的、基于漢字搭配的信息檢索框架?;跐h字搭配的文本表示方法可以與
4、經(jīng)典的基于特征向量的文本表示法相互轉(zhuǎn)換,但其復(fù)雜度和語義性優(yōu)于經(jīng)典的表示法。實驗結(jié)果顯示,在訓(xùn)練集規(guī)模較小且無需標注的情況下,提出的基于漢字搭配的機器學(xué)習(xí)算法也有較好的應(yīng)用效果。利用漢字搭配信息表示非結(jié)構(gòu)化中文文本,為解決同類問題探索了一種思路。WEB 網(wǎng)頁是人們獲取信息的另一重要來源。將漢字搭配及其相關(guān)統(tǒng)計量和基于漢字搭配應(yīng)用的技術(shù)方法、算法和框架應(yīng)用于Web 信息的獲取研究,針對網(wǎng)頁噪音引起的主題漂移問題,首先定義了Web網(wǎng)頁或塊的
5、語義樹及其操作,提出容錯語義樹構(gòu)造算法SemTreeCreate,解決不規(guī)范的HTML網(wǎng)頁的DOM 解析存在大量的廣告與圖片鏈接噪音及DOM 樹的深度大、結(jié)點層次多、結(jié)點層次和子樹間關(guān)系混亂等問題;然后,利用機器學(xué)習(xí)和信息過濾技術(shù),設(shè)計一種基于內(nèi)容的Web 網(wǎng)頁噪音塊的識別算法NoisyExploration,解決網(wǎng)頁中大量文字噪音數(shù)據(jù)的識別問題;最后,提出主題發(fā)現(xiàn)和多主題識別策略,在無需額外知識支持的情況下,通過判斷網(wǎng)頁各塊之間、網(wǎng)頁
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于Web的中文信息智能獲取研究.pdf
- Web中文信息獲取的算法研究.pdf
- 中文信息的語義數(shù)據(jù)挖掘技術(shù)研究.pdf
- 中文信息過濾技術(shù)的研究.pdf
- 中文信息檢索分類技術(shù)的研究.pdf
- 中文信息抽取關(guān)鍵技術(shù)研究與實現(xiàn).pdf
- 基于語義技術(shù)的中文信息情感分析方法研究.pdf
- 中文信息過濾技術(shù)的研究和應(yīng)用.pdf
- 中文信息檢索系統(tǒng)與文檔重排技術(shù)研究.pdf
- 中文信息檢索索引模型及相關(guān)技術(shù)研究.pdf
- 中文信息過濾技術(shù)的研究與應(yīng)用.pdf
- 構(gòu)建面向中文信息處理的名量搭配詞典.pdf
- 基于中文信息檢索的文本預(yù)處理研究.pdf
- 面向中文信息處理的現(xiàn)代漢語動賓語義搭配研究.pdf
- 基于詞項依賴信息的中文信息檢索方法研究.pdf
- Web中文信息抽取技術(shù)研究及其在招聘信息系統(tǒng)中的應(yīng)用.pdf
- 基于內(nèi)容的Internet Web中文信息過濾.pdf
- 基于ICMP的網(wǎng)絡(luò)信息獲取技術(shù)研究.pdf
- 基于本體的醫(yī)學(xué)信息獲取技術(shù)研究.pdf
- 中文信息層級的設(shè)計學(xué)研究
評論
0/150
提交評論