文献类型：期刊文章

作　　者：代宽[1] 赵辉[1] 韩冬[2] 宋天勇[1]

机构地区：[1]长春工业大学计算机科学与工程学院,长春130012 [2]长春工业大学软件职业技术学院,长春130012

出　　处：《吉林大学学报（信息科学版）》

基　　金：吉林省科技厅自然科学基金资助项目(20130101060JC)

年　　份：2014

卷　　号：32

期　　号：1

起止页码：88-94

语　　种：中文

收录情况：AJ、CAS、CSA、CSA-PROQEUST、IC、INSPEC、JST、RCCSE、ZGKJHX、普通刊

摘　　要：为解决中文网页主题特征项抽取不精确的问题,对中文网页的主题特征项抽取算法进行了研究。网页的主题特征项抽取是主题网络爬虫进行网页相关度计算的基础,结合主题网页的二分类情况对目前常用的文本特征项加权方法 TF-IDF(Term Frequency-Inverse Document Frequency)进行了改进,在此基础上结合网页的半结构化特征,综合考虑特征项的位置信息及其包含的信息量,提出了一种线性特征项加权计算方法。经实验验证,该方法可有效提高主题网页的召回率和准确率。

关 键 词：词频-逆向文件频率  向量空间模型 特征项  相关度计算 信息增益

分 类 号：TP391]