摘 要： 針對網(wǎng)頁內(nèi)容相似重復(fù)的特點，提出了一種改進(jìn)算法對網(wǎng)頁進(jìn)行去重處理。該方法能夠有效地對網(wǎng)頁進(jìn)行去重，并能對網(wǎng)頁信息進(jìn)行冗余識別處理。實驗結(jié)果表明，與原有網(wǎng)頁去重算法相比，該算法的執(zhí)行效果提高了14.3％，對網(wǎng)頁去重有了很明顯的改善。
關(guān)鍵詞： 網(wǎng)頁去重； 特征提取； 特征表示
隨著互聯(lián)網(wǎng)的高速發(fā)展，Web已經(jīng)成為最大的信息來源。但是如何獲取這些Web信息為我所用則是大家面臨的共同問題。網(wǎng)頁去重是Web網(wǎng)頁信息處理的重要環(huán)節(jié)，只有在對網(wǎng)頁的去重基礎(chǔ)上才可以準(zhǔn)確處理網(wǎng)頁中的信息。本文介紹網(wǎng)頁的去重算法。
提取出來的網(wǎng)頁，有些內(nèi)容可能很相似，對于這些內(nèi)容相似的網(wǎng)頁沒必要保存。針對系統(tǒng)中的人才招聘網(wǎng)頁更是必要：一個公司的招聘信息很可能會在數(shù)十家招聘網(wǎng)站以及自己公司主頁同時發(fā)布，所以有必要對這些網(wǎng)頁去重。
對于網(wǎng)頁，ti就表示特征詞條，wi(d)就是文本d中ti的權(quán)值。用這個特征矢量來表示網(wǎng)頁文本。在網(wǎng)頁表示中，對任一特征而言有兩個因素影響特征的權(quán)值。一是詞在HTML文檔中出現(xiàn)的詞頻，另一個是該詞在該文檔中出現(xiàn)的位置。詞頻指的是某一詞條在文檔中出現(xiàn)的頻率， 頻率越高(當(dāng)然不包括那些停用詞)則說明該詞越重要,越能代表該網(wǎng)頁的內(nèi)容。對于網(wǎng)頁的主題包含在<title>和</title>之間的詞組比在<body>和</body>之間的詞組更具有代表性。因此本文提出了一種把該詞出現(xiàn)的頻率以及該詞出現(xiàn)的位置相結(jié)合的權(quán)重計算方法，能夠更有效地表示網(wǎng)頁。公式如下：
(3) 聯(lián)合特征提取方法
雖然X2統(tǒng)計量法是目前常用的特征提取方法之一，但該方法仍存在一些缺點，如它提高了在指定類中
在網(wǎng)絡(luò)訓(xùn)練過程開始時，定義獲勝節(jié)點的鄰域節(jié)點是為了能使二維輸出平面上相鄰輸出節(jié)點對相近的輸入模式類做出特別反應(yīng)。假設(shè)本次獲勝節(jié)點為Nj,它在t時刻的鄰域節(jié)點用NEj表示，NEj(t)是包含以Nj中心而距離不超過某一半徑的所有節(jié)點。隨著訓(xùn)練過程的進(jìn)行，NEj(t)的半徑逐漸減小，最后只包含獲勝節(jié)點Nj本身，也就是說在訓(xùn)練的起始階段不僅對獲勝節(jié)點做權(quán)值調(diào)整，而且也對其較大范圍內(nèi)的幾何鄰節(jié)點做相應(yīng)的調(diào)整，隨著訓(xùn)練過程的繼續(xù)進(jìn)行，與輸出節(jié)點相連的權(quán)向量也越來越接近其代表的模式類。這時，在對獲勝節(jié)點的權(quán)值進(jìn)行比較細(xì)微的調(diào)整時，只對其幾何鄰節(jié)點比較近的節(jié)點進(jìn)行相應(yīng)的調(diào)整，直到最后只對獲勝節(jié)點本身做細(xì)微的調(diào)整。在訓(xùn)練過程結(jié)束后，幾何上相近的輸出節(jié)點所連接的權(quán)向量既有聯(lián)系又有區(qū)別，這樣，保證了對某一類輸入模式獲勝節(jié)點能夠做出最大“響應(yīng)”，而相鄰節(jié)點做出“較大”響應(yīng)。幾何上相鄰節(jié)點代表特征上相近的模式類別。
自組織特征映射學(xué)習(xí)過程包括描述最佳匹配神經(jīng)元的選擇和描述權(quán)矢量的自適應(yīng)變化過程兩部分。SOM輸出層通常由兩維m×m的網(wǎng)格節(jié)點組成，從輸入向量到網(wǎng)絡(luò)輸出層的每個節(jié)點j的權(quán)值向量定義為w，w和xi的維數(shù)是相同的，設(shè)為d，影射節(jié)點的數(shù)量從數(shù)十個到數(shù)千個決定SOM正確性和概化能力。
4 實驗結(jié)果
采用以上介紹的算法,對一批數(shù)量在50~100之間的網(wǎng)頁集合進(jìn)行去重處理，集合中包含了一與此內(nèi)容完全相同或部分相同的網(wǎng)頁，將實驗結(jié)果與人工判別的結(jié)果進(jìn)了比較，發(fā)現(xiàn)重復(fù)網(wǎng)頁的正確率達(dá)到95%以上，出現(xiàn)錯誤的判斷的是由于網(wǎng)頁轉(zhuǎn)載時出現(xiàn)錯碼等現(xiàn)象，有的是兩個重復(fù)網(wǎng)頁的段落排列差異太大。測試結(jié)果如圖1所示。
本文將SOM的思想和方法引入中文Web文檔的聚類問題.探索向用戶提供高質(zhì)量的網(wǎng)頁信息具有很強(qiáng)的理論意義和實際價值。但是，這種方法的不足之處是當(dāng)網(wǎng)絡(luò)的連接過多、節(jié)點數(shù)目龐大時其計算量大，需要較長的學(xué)習(xí)時間。所以對于上述問題，筆者正在研究通過網(wǎng)絡(luò)剪枝技術(shù)，在不增加聚類錯誤的前提下，剪去多余的連接和節(jié)點，降低特征向量空間的維數(shù)從而減少計算工作量。
參考文獻(xiàn)
[1] LINSKER R. An application of the principle of maximum information preservation to linear systems[Z]. Adv. Neural Inform. Process Systems, 1989,1.
[2] JUTTEN C, HERAULT J. Blind separation of sources,Part1:An adaptive algorithm based on neuromimetic architecture [J]. Signal Processing, 1991,24:10.
[3] COMMON P. Independent component analysis,a new concept[J]. Signal Processing, 1994,36:287-314.
[4] TONAZZINI A, BEDINI L, KURUOGLU E E. Blind separation of auto-correlated images from noisy images using mrf models,. in 4th Int. Symp. on ICA and Blind Source Separation, Nara, Japan, 2003.
[5] SHULMAN D, HERVE J Y. Regularization of discontinuous flow fields. in Proc. Workshop on Visual Motion, 1989:81-86.
[6] BOUMAN C, SAUER K. A generalised gaussian image model for edge-preserving MAP estimation,. IEEE Trans. Image Processing, vol. 2, pp. 296-310,1993.2704.