【摘 要】
:
目前互联网上网页来源众多、结构各异,针对网页正文信息抽取精度及通用性问题,提出一种基于文本行特征的网页正文信息抽取方法。首先根据正文特征将明显不是正文内容的噪声去
论文部分内容阅读
目前互联网上网页来源众多、结构各异,针对网页正文信息抽取精度及通用性问题,提出一种基于文本行特征的网页正文信息抽取方法。首先根据正文特征将明显不是正文内容的噪声去除,通过预处理将页面转换成文本和行号的集合,根据网页正文文本行信息字数较长这一特点,设定阈值并删除不符合阈值要求的文本行。正文信息行距一般相隔较近且含有中文标点符号,根据这一特征进一步删除不符合要求的文本行,最后整合出网页正文信息。将该方法与网页正文提取工具印象笔记(Evernote)、有道剪报工具(YNote)进行对比实验,实验结果表明该方法在
其他文献
近年来,数据库技术和移动互联网技术迅速发展,且相互渗透、相互促进,给数据库系列课程教学提出了更高要求。需对传统教学理念、教学方法进行改革,以适应大数据时代新要求。提
中国橡胶助剂工业2004~2006年快速发展,致使产能和产量快速增长,市场竞争更为激烈,主要橡胶助剂品种价格和效益将继续呈下降趋势,橡胶助剂业微利时代已经到来。
对船舶避碰自动化的研究对于保证我国海上丝绸之路的安全运行,应对愈加频繁的国际贸易有着重要的意义。船舶避碰自 动化的程度关系到能否更好应对船舶航行中的触礁避碰事故,
为净化建筑业招投标市场,避免出现一证多投现象,江西省赣州开发区项目办出新规,对投资额在20万元以上或建筑面积在300平米以上的工程施工管理人员的职业资格证和上岗证实行押证
2010年5月,某省A地产公司就某住宅建设项目进行公开招标,B建筑公司按照相关程序最终中标。A地产公司于2010年6月15日向B建筑公司发出了中标通知书,并明确要求2010年7月1日签订工
2006年1-10月,我国有机硅材料行业仍保持快速的发展势头。由于有机硅材料具有耐高低温、防潮、绝缘、耐气候老化、生理惰性等优异性能,使得有机硅材料在当今人类社会中,与国民经
新材料产业被认为是21世纪三大最具发展潜力的高技术产业之一。专家预测。2008年我国新材料市场将达到3000亿元,2010年达到6500亿元。其中1/3为化工新材料。目前,我国新材料产业
可溶性纤维的发展.由于该纤维可以溶解于体液。因此国外很多用户提出要求。作为环保的前提,我们认为此纤维可以在今后推广。问题在于可溶性纤维不能耐很高的温度(不能超过1250度
货占比指标在产销一体模式加工制造企业中极为重要,对其成本的控制直接影响企业的利润,这对目前经济下行压力大的环境下民营中小企业的生存具有重要的意义.对中小制造企业的
一、概况二甘醇(Diethylene glycol)(Diglycol)又称乙二醇醚或二乙二醇醚,分子结构式HO-CH2-CH2-O-CH2-CH2-OH分子量C4H10O3 106.12,具有无色、无臭、透明、吸湿性的粘稠液体,有着辛