中文网页

摘要： 法罗群岛邮政2016年第二季度共发行四套新邮（详细信息可浏览法罗群岛邮政集邮部中文网页www.s ta m ps.fo/c n或访问官方微博www.weibo.com/postafo）。2016年是法罗群岛邮政创立40周年,对于法罗群岛邮政而言是具有重要意义的一年。法罗群岛邮政于4月1日发行《法罗群岛邮政创立40周年》邮票纪念这一时刻。

摘要： 法罗群岛邮政于2016年9月26日发行了今年最后一组共计三套邮票,其中最引人注目的是美丽的异制《鱼皮》邮票（详细信息可浏览法罗群岛邮政集邮部中文网页www.stamps.fo/cn或访问官方微博www.weibo.com/postafo）。

摘要： 除亚马逊之外,各个国家还有很多知名的购物网站,由于中国的购物金额每年都在飙升,全球商家都分外重视中国消费者体验。动作较快的购物网站早已经具备中文网页。 信息爆棚的时代中,海淘达人婷婷不仅自己在网上查各种折扣信息,与时俱进了解新产品新性能,还有好几个一起海淘的QQ群和微信群,大家经常互相交流最新情况,还可以了解别人都在买什么。让我们跟随诸位达人的脚步,盘点一下大家的购物目标。

摘要： 近年来，国外各大航空公司除了进一步稳固在北京、上海、广州一线城市的发展，多家外航陆续在中国二线城市纷纷开航，不断扩大在中国市场的影响。本文以克里斯蒂安·诺德(Christiane Nord)的功能加忠诚理论为指导，引用几大国外航空公司针对企业客户推出的商务飞行奖励计划的介绍为语料，分析国外航空公司中文网页存在的翻译问题，并提出如何改进中文网络页翻译质量的建议，希望引起有关人员的重视。

摘要： 英属马恩岛邮政为庆祝今年7月5日～27日举行的2014年环法自行车赛,特于2014年6月24日以《从约克郡出发—通往巴黎之路》为主题发行一系列丰富多彩的邮品,值得中国集邮者关注（中国集邮者可通过马恩岛邮政集邮局中文网页www.ukiompoststamps.com获取更多马恩岛新邮发行信息）。环法自行车大赛是世界上最著名的自行车公路赛,今年是该赛事的第101届。

摘要： 笔者采用一种笨拙的办法,探查某时段中国互联网上环保词汇的发生频率,试试能发现点什么。健康接轨,民意不承认特色环保2013年8月5日,笔者在百度搜索输入"2010 PM2.5",结果只有7个网页,几个中文网页分别提到PM2.5口罩和滤网。输入"2011PM2.5",找到相关结果约357万个;输入"2012 PM2.5",找到相关结果约471万个;输入"2013PM2.5",找到相关结果约515万个。"2010 PM2.5"条目下,无任何官方信息,没有包含PM2.5字样的中文学术信息,无报刊报道涉及此项指标,没有网民议论提及。实际上,

摘要： Semantic-based Chinese Web page retrieval is a premising application. The existing semantic retrieval mechanisms are categorized into three types, which are based on ontology,natural language understanding,and text classification and clustering respectively. The three technologies were reviewed and examined in detail. Semantic-based Chinese Web page retrieval system should focus on popular fields to draw great attention from Web users. Moreover, Web pages should be indexed with words rather than Chinese characters. Advanced Chinese information processing technologies should be integrated into semantic retrieval systems. Some directions for future research were finally presented, including semantic relevance ranking, ontology definition and instance automatic extraction, semantic-based indexing, and large-scale semantic training collections construction.%用户期望搜索引擎能提供基于语义的网页信息检索.基于本体、基于自然语言理解、基于文本统计分析的方法是实现中文网页语义检索的主要途径.分析了它们的实现方法、技术挑战和优、缺点；建议中文网页语义检索系统的开发应选择与普通用户联系紧密的应用领域,并以汉语词汇为索引单元,适量地采用中文信息处理技术.基于语义的中文网页检索应在以下方面加强研究:语义相关性评价方法、本体构建和实体抽取算法、基于语义的索引、大规模语义标注样本集开发等.

摘要： “美国抗衰老医学科学院中国代表处”在中国建立的中文网页“博金斯基医院”称，其发明了几乎可以攻克人类癌症的基因机制，而治愈癌症的药物叫“抗瘤酮”。但在美国国家癌症研究所的网站上，对“抗瘤酮”的介绍是：目前只是进行了临床二期试验，还不能真正上市用于治疗癌症病人。

摘要： 提出了一种基于语义关联的中文网页主题词提取方法,首先借助滑动窗口和"知网"计算词语间的语义相似度,形成候选名词对集合;然后基于该集合生成无向图表示词语间的语义联系,并通过该无向图对主题词权重进行建模;最后选取权值较高的名词作为主题词.实验结果表明,相比未建立语义关联的主题词提取方法,本方法在查准率、召回率和F1测度值上均有一定的提高,当提取主题词个数为7时,本方法召回率和F1测度值达到最大值,且分别较传统方法最大值提高了12.5%和9.53%.%This paper proposed a new thematic words extraction method based on semantic relations.Firstly,used sliding window and HowNet to calculate semantic similarity between words, to form the candidate noun pairs.Then generated undirected graph based on these noun pairs to show the semantic links between them, and based on the graph to model the weight of words.Finally,selected the terms with higher weight as thematic words.Experimental results show that the proposed method substantially outperforms the traditional method in precision rate, recall rate and F1-measure, especially when the number of thematic words extracted is 7, the accurate rate is increased by 12.5％ percent, and the F1-measure is increased by 9.53％ percent.

摘要： 自动文摘是利用计算机自动地从文本或文本集合中提炼出能准确、全面地反映文本主要内容的精简、连贯的短文，辅助阅读者能够在较短的时间内了解文章的内容。随着Web信息数量的增加，对自动文摘技术的需求也越来越多。

摘要： 随着Internet的快速发展，Web 已经发展成为一种巨大的、分布式的和共享的信息资源。目前Web 数据大都以HTML 页面的形式出现，由于HTML 描述的是一种半结构化的数据，这使得其描述的Web 页面只适合人类浏览，应用程序无法直接解析并利用Web 上的丰富信息。Web中一类重要的信息资源是静态Web 页面，如各种门户新闻网站、电子商务网站等等。因此，如何自动、快速抽取海量Web中的正文信息，从而提高人们获取信息的效率变得越来越重要。本文以中文网页为研究对象，以网页正文信息的抽取为研究目标，提出了一种基于统计的网页正文信息抽取算法。该算法主要包括以下几个步骤：网页规范化，网页解析，网页噪声去除，基于统计的网页正文节点判定，正文节点的抽取和合并等。

摘要： 实现了一个中文网页采集、过滤和分类系统.文中从网页预处理、特征选择、分类器模型等方面介绍了该系统的具体解决方案.实验结果表明,该分类系统取得了令人满意的分类效果.

摘要： 本文探讨基于关联规则挖掘的中文网页体裁模式发现问题。通过链表结构,将文档集转换为适用于关联规则挖掘的事务数据库,保证了事务数据库出现的词条项按照在文本中出现的顺序排列,实现了Apriori关联规则算法。实验结果表明,这对于某些类别的体裁模式发现有比较好的效果.

摘要： 随着WWW的迅速发展，Web信息检索技术成为研究者广泛关注的话题，但缺少合适的测试评测机制制约了中文网页信息检索技术的发展。参考国外测试集的构建经验，我们构建了大规模中文网页信息检索测试集CWT，并组织了SEWM中文网页检索评测，希望在国内外各个研究小组的共同参与下建立并完善CWT，一起推动中文网页信息检索技术的发展。论文在调研和分析国内外现有研究进展的基础上，详细介绍了CWT的构建原则和方法，并对CWT进行了有效的统计分析和实验研究。本文提出的构建测试集的方法为以后的研究提供了参考。

摘要： 在日本域名网站里虽然存在不少中文网页,但实际上大多都没被有效利用。如果能从中准确地抽取出来,一定能为使用中文的用户带来许多方便.本研究利用自然语言处理技术,首先对日本早稻田大学和中国北京大学的网页作了全面分析,找出中文句子的特征,然后应用于日本域名1000万网页的解析,最终得到良好结果。

摘要： 中文网页与外文网有很大的差别,中文网页的设计比外文网页多很多图片或声音剪辑,也就是所说的包含的网页对象不一样.所以在打开中文网页后,等待服务器传送完整网页的时间相对外文网页较长,原因就是所含网页对象的数量较多.由于设计风格不同,在做网络模拟仿真时不能照搬国外已建好的HTTP模型.本文通过对捕获的实际中文网页流量进行了分析,建立了符合中国的HTTP流量模型.该模型基于对中国网页大小的分析及根据实际流量的特点,对网页对象的大小,网页对象的间隔时间和一个网页中所包含对象的数量进行了研究,并对该模型所讨论的内容进行了可靠性分析,证明具有较好的准确性,为网络今后网络模拟仿真奠定了基础.

摘要： 网页信息抽取旨在从网页中抽取出结构化信息,网页中不仅仅包含由自然语言构成的自由文本,同时也包含如表格、列表等半结构化文本,之前相关研究大多仅针对单种文本进行抽取,提出了一种同时从自由文本和半结构化文本中抽取信息的综合方法.采用启发式规则,从页面中筛选出自由文本和半结构化文本,之后针对自由文本采用分词、词性标注、命名实体识别等自然语言处理技术和基于规则进行信息抽取,同时采用包装器归纳的方法归纳出单槽规则用于半结构化文本信息抽取,最终将从两种文本中抽取出的信息进行整合.通过将此综合方法应用于企业注册信息的抽取,并对其抽取效果进行评估,实验数据表明综合方法信息抽取的F1值比单独采用自由文本或半结构化文本信息抽取方法都有了非常显著的提高.

摘要： 传统的网页分类大都基于内容,这种方式采用字词特征项匹配的方法,没有考虑网页的结构信息.为了充分挖掘网页的结构特征,本文提出了网页按形式分类的机制.以往关于形式分类的研究大都基于普通文本,但是网页文本不同于普通文本,它具有URL和HTML标签等对网页结构有较大影响的特征.本文从URL和网页的HTML标签中提取特征,并借用了普通文本形式分类中使用的部分特征项作为网页形式分类的特征集合,最后使用SVM分类器进行分类训练测试.

摘要： 本文针对网页分类问题提出一种结合粗集理论和贝叶斯分类器的方法.该方法针对贝叶斯分类器存在的属性间独立性限制问题和在大量样本情况下的分类效率问题,采用粗集的属性约简方法对描述网页类别的特征向量空间进行了约简,改善了属性间的独立性限制,减少了属性的数量,再使用约简后的数据训练贝叶斯分类器,提高了贝叶斯分类器的性能.实验结果表明该方法用于网页分类问题具有较好效果.

摘要： 本文主要研究特征压缩对分类器性能的影响。文中第2部分采用基于先验知识的阑值词频特征压缩方法，将关键词词频的维数从185到9849分为16个等级，在每个维数的特征向量空间上对提取IDTIF和归一化两种特征，第3部分介绍3种计算复杂度较低的分类器算法，即K一均值、感知机、Na-iveBayes;第4部分对上述特征进行了分类训练和无交叉测试，并作了简要分析。

摘要： 本发明涉及基于关键词匹配进行中文网页预分类的方法，该方法在制作分类算法所需要的训练集的过程中，给每条训练网页进行人工标注的同时，将网页中表征该网页的关键词也标注出来，生成关键词表；对每一条测试网页，首先根据关键词表提取出该网页中出现的关键词，然后通过与训练集进行关键词匹配计算，将训练集的标签转移给该测试网页；如果该预分类方法未能给出训练网页的分类结果，该测试网页需要进行进一步的分类计算。该方法降低了如SVM、KNN、朴素贝叶斯等计算复杂的分类技术的运行时间，同时也使分类结果的准确率和召回率都得到了提高。

摘要： 本发明提供了一种中文网页数据编码方法，包括：从当前处理的中文网页数据的第一个字符开始，根据预先设置的词库进行分词处理，以确定是否存在与预先设置的词库中的词匹配的以该第一个字符开始的分词；在存在匹配的以该第一个字符开始的分词时，利用与该分词匹配的词的对应Unicode编码替换该分词，或者在不存在匹配的以该第一个字符开始的分词时，利用该第一个字符的Unicode编码替换该第一个字符；以及从当前处理的中文网页数据中去除已经被替换成Unicode编码的部分，作为下一当前处理的中文网页数据，重复执行上述处理，直到中文网页数据被完全替换为Unicode编码流。利用该方法，可以节省编码后的数据流的占用空间，由此减少中文网页数据的存储空间以及数据传输流量。

摘要： 本发明属于计算机应用和信息抽取领域，提供一种中文网页的主题内容提取方法，该方法是将网页数据转换成DOM对象后，在对其进行融合，分类，过滤操作，最后返回提取的网页内容。本发明操作方便，适用范围广，既不依附于特定的软、硬件，也不依赖于特定的网页模版；大量实验结果表明，本方法针对不同风格的中文新闻网页，能有效的排除页面中的“噪声”信息，提取主题内容，具有较高的实用性。

摘要： 本发明公开了一种基于头脑风暴优化算法的中文网页分类方法。该方法包括：对中文文档进行分词，并根据词频建立中文文档的单词索引；根据中文文档的单词索引，建立中文文档分词向量；采用头脑风暴优化算法，对中文文档分类算法的性能和参数进行优化；采用头脑风暴优化算法，对中文文档分类算法训练集的样本选择和样本数目进行优化；根据优化后的中文文档分类算法，对中文文档进行分类；并采用头脑风暴优化算法，对中文文档的分类结果和分类效率进行优化。本发明将头脑风暴优化算法和分类算法进行结合，对分类算法和数据训练集的选择进行优化，可以提高分类效率和分类正确率，从而优化了最终推荐结果。

摘要： 本发明涉及基于关键词匹配进行中文网页预分类的方法，该方法在制作分类算法所需要的训练集的过程中，给每条训练网页进行人工标注的同时，将网页中表征该网页的关键词也标注出来，生成关键词表；对每一条测试网页，首先根据关键词表提取出该网页中出现的关键词，然后通过与训练集进行关键词匹配计算，将训练集的标签转移给该测试网页；如果该预分类方法未能给出训练网页的分类结果，该测试网页需要进行进一步的分类计算。该方法降低了如SVM、KNN、朴素贝叶斯等计算复杂的分类技术的运行时间，同时也使分类结果的准确率和召回率都得到了提高。

摘要： 本发明公布一种基于地名数据库的海量中文网页在线地理信息化方法，要解决的问题是在通过中文分词算法对海量网页进行分词，再利用地名数据库信息，通过快速统计算法获得网页中的地名信息，在此基础上，将原始的网页地理信息化结果推送给互联网上的用户，收集用户对该结果的评价，利用朴素贝叶斯原理更新网页地理信息化结果和地名数据库，最终实现对海量中文网页在线地理信息化进行管理与检索。

摘要： 本发明提出一种适合于中文网页文档的后缀树聚类方法。后缀树聚类算法的提出是建立在英文网页聚类的基础上的，研究的对象是网页中的英文单词，而中文最大的特点是词与词之间没有分隔符。为满足中文网页的聚类需求，本发明针对中文网页文档的特点，对后缀树聚类算法进行了改进，使之适于中文Web信息搜索结果的聚类。文档预处理按照句子边界将每一篇文档转化为词的序列，同时过滤掉非词标记及停用词。后缀树构建由预处理得到的词序列生成后缀树。短语类识别通过后缀树识别短语类并对其打分。短语类合并通过基于二进制的及语义层面短语类间的相似性计算方法，合并相似度值高的短语类，并选取分值较高的短语类作为最终聚类结果。

摘要： 本发明提供了一种中文网页数据编码方法，包括：从当前处理的中文网页数据的第一个字符开始，根据预先设置的词库进行分词处理，以确定是否存在与预先设置的词库中的词匹配的以该第一个字符开始的分词；在存在匹配的以该第一个字符开始的分词时，利用与该分词匹配的词的对应Unicode编码替换该分词，或者在不存在匹配的以该第一个字符开始的分词时，利用该第一个字符的Unicode编码替换该第一个字符；以及从当前处理的中文网页数据中去除已经被替换成Unicode编码的部分，作为下一当前处理的中文网页数据，重复执行上述处理，直到中文网页数据被完全替换为Unicode编码流。利用该方法，可以节省编码后的数据流的占用空间，由此减少中文网页数据的存储空间以及数据传输流量。

摘要： 本发明公开了一种基于句号特征字串的中文网页重复文档检测和过滤方法，包括如下步骤：提取待检测网页的句号特征字串；利用所述句号特征字串对待检测网页进行模板信息过滤以便保留和提取网页主题文本内容；计算所述网页主题文本内容的相似度，判定网页之间的重复关系和包含关系；将具有重复关系和包含关系的网页进行聚类。本发明针对中文网页，尤其是中文新闻网页，首先寻找有效的检测特征，能有效检测出网页上的有效正文部分，过滤掉网页上的广告等与主题正文内容无关的噪音部分；在此基础上，解决两两文档之间的相似性度量问题以及文档重复检测问题；最后解决大规模重复文档检测时的并行化处理问题。

摘要： 鉴于各种不良网页对互联网用户的影响以及现今流行的多种网页过滤软件在自然语言的多义性和同义性以及语义的约束性方面有着一定的局限性，本发明提出了一种中文网页语义过滤方法，该方法首先根据正反例领域网页计算领域特征词的权重，建立领域特征词库并制作领域本体，根据正例文本得到本体元素权重库；然后利用修改后的代理服务器抓取网页并使用贝叶斯分类算法得到候选网页；最后根据领域本体对候选网页进行语义相关度计算并进行网页过滤。该方法可以区分同领域网页中的正反例网页并可兼顾网页过滤的实时性。通过大量游戏领域网页的测试，该方法正确识别率在98％以上，效果令人满意，满足用户的使用需求。