2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩49頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著網(wǎng)絡(luò)信息資源的不斷增長(zhǎng),從海量數(shù)據(jù)中獲取有用信息已成為互聯(lián)網(wǎng)的一個(gè)重要研究課題。作為關(guān)系數(shù)據(jù)的一種簡(jiǎn)潔而有效的表示手段,表格廣泛存在于Web文檔中。存儲(chǔ)在表格中的數(shù)據(jù)具有良好的結(jié)構(gòu),蘊(yùn)含了重要的價(jià)值,對(duì)于知識(shí)發(fā)現(xiàn)、信息檢索、數(shù)據(jù)挖掘等應(yīng)用能提供很大的幫助。相關(guān)研究表明:約52%的HTML文檔中存在

標(biāo)簽。然而,大部分
標(biāo)簽的使用目的是為了排版和美觀,而非存放關(guān)系數(shù)據(jù)。如何檢測(cè)出存儲(chǔ)關(guān)系數(shù)據(jù)的真實(shí)數(shù)據(jù)表格是我們

2、在表格挖掘過程中所面臨的第一個(gè)難題。
  針對(duì)數(shù)據(jù)表格的檢測(cè)問題,本文具體進(jìn)行了如下研究工作。首先是HTML表格的抽取與標(biāo)注:利用開源工具Nutch爬取網(wǎng)頁(yè)并抽取出HTML表格,即

..
標(biāo)簽的內(nèi)容;對(duì)于部分HTML表格,使用人工標(biāo)注將其區(qū)分為數(shù)據(jù)表格和非數(shù)據(jù)表格。接著,對(duì)于每個(gè)HTML表格,我們進(jìn)行視覺、詞法、語(yǔ)義三類特征的抽取:視覺特征主要包括表格單元格的大小單元格背景顏色、單元格內(nèi)容的字體大小及類型

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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論