【摘 要】
：
从构建大规模维吾尔文语料库的角度出发,归纳总结各类网页正文抽取技术,提出一种基于文本句长特征的网页正文抽取方法。该方法定义一系列过滤和替换规则对网页源码进行预处理
【机 构】
：
中国科学院新疆理化技术研究所,中国科学院研究生院,新疆维吾尔自治区经济和信息化委员会
论文部分内容阅读
从构建大规模维吾尔文语料库的角度出发,归纳总结各类网页正文抽取技术,提出一种基于文本句长特征的网页正文抽取方法。该方法定义一系列过滤和替换规则对网页源码进行预处理,根据文本句长特征来判断文本段是否为网页正文。整个处理过程不依赖DOM树型结构,克服了基于DOM树结构进行正文抽取方法的性能缺陷。实验结果表明,对于维文各类型的网页正文提取,该方法均具有较高的准确度度和较好通用性。
其他文献
继续教育是专业技术人员以学习新理论、新知识、新技术和新方法为主的教育，是进行知识更新，拓展和提高专业技能的高层次追加教育。从缓解工学矛盾、扩大培训覆盖面、改变师资紧
我是栗子财商集团的董事长，朱家兴。很荣幸能在中国管理科学大会上发言。我们希望，以一种创新的模式来促进财商教育的发展，开创财商事业的新时代。
为了贯彻国家教育方针的要求和课程标准的精神,将立德树人的要求落实到实处,2012年教育部启动义务教育教科书初中《道德与法治》教材的编写工作,并于2016年将初中课程“思想
目的：研究脂肪组织来源干细胞（ADSCs）经尾静脉移植到软组织创面大鼠体内后的迁移和分布。方法：取第3代SD大鼠ADSCs，DiI标记后通过尾静脉移植到创伤鼠体内，术后3天、7天、11天、14天
《刑事诉讼法》规定了五种刑事强制制度,其中监视居住制度处于羁押制度与非羁押制度之间,所起到的作用为承上启下,使得我国刑事强制制度构建出一个相对完善的梯形体系。历次
2019年,中华人民共和国迎来70华诞,大国外交踏上新的征途。作为全球第二大经济体和最具影响力的新兴市场国家之一,中国备受世界瞩目。同时,中国正以更积极的姿态来争取国际社
目的：观察大鼠骨髓基质干细胞（MSCs）与经胶原涂层处理的煅烧骨（CCB）复合行体外培养时贴附、增殖能力的变化，探讨构建组织工程骨体外培养的最适时间。方法：制备鼠尾胶原（I型胶原），无菌条
2018年上半年,国务院办公厅、证监会先后发布了多项关于建立存托凭证制度的征求意见稿和管理办法,正式推出中国存托凭证制度。国家鼓励包括“BATJ”在内的创新型企业回归A股