基于URL特征的动态页面聚类
日益广泛应用的动态页面使数据抽取成为信息检索的关键技术和垂直搜索等领域中的重要组成部分.页面聚类利用页面间相互关系,可有效简化数据抽取步骤.但目前尚无有效的基于页面格式特征的页面聚类方法。格式相近的动态页面使用相同或近似的模板生成,其URL特征十分相近,利用该特征可间接获取页面模板信息。本文提出的基于URL特征的聚类算法,通过分析URL特征找到同类页面间的相似关系并聚类.经实验,聚类效果良好的类占总数的80％以上.该算法在时间和空间上的有效性使其具有广阔的应用前景。
数据抽取 信息检索 垂直搜索 聚类算法 URL特征 页面模板信息
崔安颀 岑荣伟 张敏 马少平
清华大学,智能技术与系统国家重点实验室,北京,100084
国内会议
武汉
中文
475-479
2007-10-13（万方平台首次上网日期，不代表论文的发表时间）