从网站中自动挖掘数据记录的算法

• 作者: 兰永杰 邱勇
• 来源期刊: 东南大学学报（英文版）
• 学科: 工学
• 关键词: 数据挖掘 数据记录 网站 同构网页
• 年，卷（期）: 2006,（3）
• 页码范围: 423-425
• 页数: 3页
• 分类号: TP3
• 字数: 379字
• 语种: 英文
• DOI: 10.3969/j.issn.1003-7985.2006.03.029

摘要

为了提高从web中挖掘数据记录的精确性和完整性,提出了同构页与目录页的概念及3个算法.如果一组网页结构相同,只是主信息不同,该网页称为同构页.一个包含有多个指向同构页连接的网页称为目录页.算法1用于发现目录页,它首先将连接排序,并对同一目录的链接记数,如果记数大于某一给定阀值,则对其链接子页进行相似比较并得到结果.同时给出了一个网页相似度判断的函数.算法2采用了噪声信息过滤方法从同构页中挖掘主信息并得到数据记录,该算法是基于在2个同构页中噪声信息相同而只有主信息不同.算法3通过采用Spider技术可以实现从整个网站中自动挖掘数据记录.实验表明所提算法比已有算法可挖掘更完整的数据记录.从同构页中挖掘数据记录是一种有效的方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	兰永杰	山东工商学院信息与电子工程学院	8	25	3.0	4.0
2	邱勇	山东工商学院信息与电子工程学院	6	21	3.0	4.0