基于搜索引擎的双语混合网页识别新方法

• 作者: 冯艳卉 姚建民 朱巧明 洪宇 颜振祥
• 来源期刊: 中文信息学报
• 学科: 工学
• 关键词: Web挖掘 双语混合网页 平行语料
• 年，卷（期）: 2011,（1）
• 页码范围: 71-78
• 分类号: TP391
• 字数: 8052字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-0077.2011.01.012

摘要

该文提出了一种从搜索引擎返回的结果网页中获取双语网页的新方法,该方法分为两个任务.第一个任务是自动地检测并收集搜索引擎返回的结果网页中的数据记录.该步骤通过聚类的方法识别出有用的记录摘要并且为下一个任务即高质量双语混合网页的验证及其荻取提供有效特征.该文中把双语混合网页的验证看作是有效的分类问题,该方法不依赖于特定领域和搜索引擎.基于从搜索引擎收集并经过人工标注的2516务检索结果记录,该文提出的方法取得了81.3%的精确率和94.93%的召回率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	朱巧明	苏州大学计算机科学与技术学院	261	2058	25.0	31.0
2	洪宇	苏州大学计算机科学与技术学院	66	270	8.0	13.0
3	姚建民	苏州大学计算机科学与技术学院	70	494	10.0	19.0
4	颜振祥	苏州大学计算机科学与技术学院	3	17	3.0	3.0
5	冯艳卉	苏州大学计算机科学与技术学院	2	16	2.0	2.0