1、预处理 网页的分类 页面分析 中文处理网页分类 Hub网页(Hub pages)提供向导的网页，如新浪主页，特征是链接集合 主题网页(authority page)通过文字具体说明一件或多件实物，如具体的新闻报道 图片、视频网页 是含图片或视频的主题网页，但文字特别少。页面处理 传统网页分类将整个网页看作一个原子单元进行整体处理，但是由于网页中一些“噪声”信息的存在，不仅增加了处理的复杂度，还影响了网页自动分类的效果，因而需要对网页进行预处理。近年微软亚洲研究院提出block based IR.一般主题网页的结构 标题(关键词和概括)正文 相关链接 导航信息 广告 装饰，Flash 版权，制作
2、者信息等网页分块方法（1）基于位置关系的分块法 利用网页页面的布局进行分块，将一个网页分成上、下、左、右和中间5个部分,再根据这5个部分的特征进行分类；实际的网页结构要复杂得多，这种基于网页布局的方法并不能适用于所有的网页；这种方法切分的网页粒度比较粗，有可能破坏网页本身的内在特征，难以充分包括真个网页的语义特征。网页分块方法（2）基于文档对象模型（DOM）的分块法 找出网页HTML文档里的特定标签，利用标签项将HTML文档表示成一个DOM树的结构；特定标签包括heading、table、paragraph和list等；在许多情况下，文档对象模型不是用来表示网页内容结构的，所以利用它不能够准确
3、地对网页中各分块的语义信息进行辨别。HTML语言编写的网页 Welcome Shandong Univ.HTML标记(和结构有关）总的标记个数100 通过src属性的控制，显示特定的图像；创建表格 用来排版大块的html段落 用来创建一个表单,定义用户一个输入区 创建一个下拉式表框 bc=redbc=whiteIMGTABLEBODYrootwidth=800 height=200TABLEwidth=800bc=redbc=whiteIMGTABLEBODYrootwidth=800 height=200TABLEwidth=800,网页分块方法（3）基于视觉特征网页分块法（VIPS）利用字
4、体、颜色、大小等网页版面特征，根据一定的语义关联，将整个网页表示成一棵HTML DOM树；利用横竖线条将DOM树节点所对应的分块在网页中分隔开来，构成网页的标准分块；每个节点通过一致度（DOC）来衡量它与其它节点的语义相关性，从而将相关的分块聚集在一起；利用预先设定的一致度（PDOC）作为阈值控制分割粒度，当所有网页的DOC都不小于PDOC时，网页分割就可以停止了。网页去重 由于互联网上存在大量的转载，如何判断是否A,B两个网页在内容上是一样的，并只存储无重复的网页内容的工作，称为网页去重基本方法 Fingerprinting(指纹方法）取出网页内容部分的文本，看成是字符串，利用hash函数产
5、生一个向量。若两个网页的hash函数产生的向量足够接近，认为是内容重复 最长公共子串 取出网页内容部分的文本，看成是字符串，若两个网页的公共子串足够长，认为是内容重复。把网页内容用bag of words表示，利用常用的相似度计算，相似度大的认为是重复。网页的主题提取和分词 发现主题文本 中文的分词处理 分词技术的广泛应用：信息检索、人机交互、信息提取、文本挖掘等。是相似度计算的基础。目前对分词的研究，大都集中于通用的分词算法，以提高分词准确率为目的。目前的分词算法中，一些切分精度比较高的算法，切分的速度都比较慢；而一些切分速度快的算法，因为抛弃了一些繁琐的语言处理，所以切分精度都不高。速度：
6、每秒几十k几M 切分正确率：80%98%中文分词简介和困难 中文分词(Chinese Word Segmentation)：将一个汉字序列切分成一个一个单独的词。比如将“组合成分子时”切分成“组合/成/分子/时”。称为是歧义现象。人是根据上下文语义解决奇异，但计算机目前无法理解自然语言中的语义，目前常采用统计的方法解决 困难 分词规范：词的概念和不同应用的切分要求 分词算法：歧义消除和未登录词识别分词规范方面的困难 汉语中词的界定（基于词典）“教育局长”：“教育/局长”？“教育局/长”？“教育/局/长”？核心词表如何收词？即那些词作为词典中的词“给力”？“忽悠”词的变形结构问题：“看/没/看见
7、”，“相不相信”不同应用对词的切分规范要求不同 n-gram，n 取多大？分词算法上的困难 对未登录词识别 命名实体：数词、人名、地名、机构名、译名、时间、货币 缩略语和术语：“超女”、“非典”、“去离子水”新词的发现：“给力”、“忽悠”常用评测指标 召回率(Recall)分词：检索：准确率(Precision)分词：检索：正确切分的词语数切分准确率（Precision）=切分出的所有词语数检索出的相关文档数检索准确率（Precision）=检索出的所有文档数正确切分的词语数切分召回率（Recall）=答案中的所有词语数检索出的相关文档数检索召回率（Recall）=所有的相关文档数基于词典和规
8、则的方法 最大匹配 正向最大匹配、反向最大匹配和双向最大匹配 实现简单，而且切分速度快。但无法发现覆盖歧义，对于某些复杂的交叉歧义也会遗漏。全切分 利用词典匹配，获得一个句子所有可能的切分结果。时空开销非常大。基于理解的分词算法 模拟人的理解过程，在分词过程中加入句法和语义分析来处理歧义问题。难以将各种语言信息组织成机器可直接读取的形式，还处在试验阶段 基于大规模语料库的统计方法N元语法（元语法（N-gram）模型）模型121213121211211()(.)()(|)(|).(|.)(|.)nnnniiiP WP w wwP w P ww P ww wP ww wwP ww wwn 为2、3
9、、为组成词的字数基于字的切分方法N元切分法元切分法(N-gram)：对一个字符串序列以N为一个切分单位进行切分。如二元切分法：“ABCDEFG”“ABCDEFG”交叉二元切分法(Overlapping Bigram)：“ABCDEFG”“ABBCCDDEEFFG”简单快速，但会产生大量无意义的标引词，导致标引产生的索引文件的空间，以及检索和进行标引的时间都大大增加。同时，因为它的切分单位并非语言学意义上的词语，所以也会导致检索的查准率下降。中文分词系统 作为实用的分词系统的构建，一般是先选择一个语料库作为训练集，利用统计模型建立不同字组成词的概率，确定如何分词 语料库：指大量的文本，通常经过整
10、理，具有既定格式与标记；英文 text corpus 的涵意即为 body of text“例子：广州/ns 近日/t 举办/v 2010/t 亚运会/nsns noun；t:time,v:verb;语料库 语料库是通过分词系统、标注系统和人工校对建立的，一般根据新闻机构的文本建立的比较多，如北京大学建立的“人民日报标注语料”、“现代汉语语料库”、“古代汉语语料库”、“中英文双语语料库”.原则：规范、一致（看法一致）、规模（适当多的文本）以及均衡性（各种题材的文本都有）利用维基百科 利用维基百科发现实体 利用维基百科进行消歧 消歧是指对同一关键词，可能有不同的语义的分辨，如“苹果”www.wikipedia.org/所谓实体往往是指独立的、有各种独特特征的对象，如“山东大学”、“苹果”等利用Web上其他实体关系库 Free Base Knowledge graphs
