發(fā)布時間：2023-03-29 01:13

　　隨著科學技術的發(fā)展,目前Web成為了世界上最大的數據源。這些信息在頁面上的分布廣且無固定結構,因此面對龐大復雜的信息,人們獲得有用的知識顯得越來越困難,同時也難以滿足用戶對感興趣的知識的渴求。在這種背景下,推薦系統應運而生。它根據用戶的愛好或者瀏覽信息的相關性給用戶推薦對象。 本文主要研究Web文本挖掘技術在網站文本推薦中的應用。首先根據前人研究成果提出一種基于該技術的模型,然后按照該模型的流程依次剖析Web頁面主要內容的提取、Web文本的聚類和一種改進的推薦算法。推薦算法作為模型核心,內容的提取作為文本聚類算法和改進推薦算法的輸入,文本聚類則作為推薦算法中的預處理步驟。本文研究內容如下： 1,基于經典推薦模型,結合Web文本的特點,設計出一個針對網站中文本的推薦模型。 2,研究了Web頁面結構的解析及如何從結構化樹中查找到本頁面的主要內容。推薦內容的總學習數據庫可以通過網絡爬蟲獲取,同時利用深度優(yōu)先算法構建DOM(Document Object Model)樹。利用剪枝技術剔除無用節(jié)點,最后提取出頁面主要內容。 3,Web文本的聚類研究。針對歐氏距離等常用距離的不足,提出近似推土機距...

【文章頁數】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 本文研究的背景
    1.2 本文研究的目的與意義
    1.3 Web文本挖掘概述
        1.3.1 Web文本挖掘的定義
        1.3.2 Web文本挖掘任務
        1.3.3 Web文本挖掘的研究現狀
    1.4 網站推薦系統概述
    1.5 本文的研究內容
    1.6 本文的組織結構
2 基于Web挖掘技術的推薦原理
    2.1 基于WEB挖掘技術的推薦流程
    2.2 改進的推薦模塊的建立
        2.2.1 概述
        2.2.2 推薦模型的結構
        2.2.3 推薦模型的說明與分析
    2.3 推薦算法概述
    2.4 本章小結
3 基于網絡爬蟲的DOM樹Web文檔結構解析
    3.1 WEB頁面結構化的背景及相關工作
    3.2 網絡爬蟲原理
        3.2.1 工作原理及關鍵技術
        3.2.2 網頁搜索策略
        3.2.3 網頁分析算法
    3.3 基于DOM樹的頁面分塊
        3.3.1 DOM樹的定義
        3.3.2 基于內容比重的DOM樹頁面分塊
    3.4 基于DOM樹的網頁信息提取
    3.5 本章小結
4 基于WEB文本內容的聚類研究
    4.1 文本聚類的一般步驟
    4.2 文本特征的建模
    4.3 聚類方法介紹
        4.3.1 K均值算法
        4.3.2 BIRCH算法
        4.3.3 DBSCAN算法
        4.3.4 STING算法
    4.4 利用近似EMD距離精確聚類結果
        4.4.1 EMD距離
        4.4.2 近似EMD距離
        4.4.3 基于近似EMD距離的DBSCAN改進算法
    4.5 實驗結果及解析
    4.6 本章小結
5 基于用戶的協同過濾推薦與加權關聯規(guī)則相結合的推薦研究
    5.1 基于用戶的協同過濾推薦機制
    5.2 關聯規(guī)則原理
    5.3 Apriori關聯規(guī)則經典算法解析
        5.3.1 Apriori算法描述
        5.3.2 Apriori算法瓶頸
        5.3.3 算法改進
    5.4 基于加權關聯規(guī)則的協同推薦改進算法
        5.4.1 基于推薦內容的加權關聯規(guī)則
        5.4.2 加權關聯規(guī)則生成算法
        5.4.3 IWAR-CF算法
    5.5 實驗結果及解析
    5.6 本章小結
6 全文總結與未來展望
    6.1 全文總結
    6.2 未來展望
致謝
參考文獻
附錄



本文編號：3773683