基于最大熵分类器的Deep Web查询接口自动判定

doi:10.3778/j.issn.1002-8331.2008.21.037

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (21): 133-137.DOI: 10.3778/j.issn.1002-8331.2008.21.037

基于最大熵分类器的Deep Web查询接口自动判定

方巍^1,2,黄黎^1,2,崔志明^1,2

1.江苏省计算机信息处理技术重点实验室，江苏苏州 215006
2.苏州大学智能信息处理及应用研究所，江苏苏州 215006

收稿日期:2008-04-30 修回日期:2008-06-06 出版日期:2008-07-21 发布日期:2008-07-21
通讯作者: 方巍

Automatic identifying query interfaces of deep Web with maximum entropy classifier

FANG Wei^1,2,HUANG Li^1,2,CUI Zhi-ming^1,2

1.Jiangsu Key Laboratory of Computer Information Processing Technology，Soochow University，Suzhou，Jiangsu 215006，China
2.Institute of Intelligent Information Processing and Application，Soochow University，Suzhou，Jiangsu 215006，China

Received:2008-04-30 Revised:2008-06-06 Online:2008-07-21 Published:2008-07-21
Contact: FANG Wei

摘要/Abstract

摘要： Web中包含着海量的高质量信息，它们通常处在网络深处，无法被传统搜索引擎索引，将这样的资源称为Deep Web。因为查询接口是Deep Web的唯一入口，所以要获取Deep Web信息就必须判定哪些网页表单是Deep Web查询接口。由于最大熵模型可以综合观察到的各种相关或不相关的概率知识，对许多问题的处理都可以达到较好的结果。因此，基于最大熵模型的分类性能，利用最大熵分类算法自动判定查询接口。并通过实验，将最大熵分类法与其它常用分类方法进行了比较，结果显示它的分类性能优于Bayes方法和C4.5方法，与SVM方法相当，表明这是一种非常实用的查询接口分类方法。

关键词: Deep Web, 网页表单, 特征提取, 最大熵模型

Abstract: Tremendous high-quality web information is deeply hidden in the Web，which can not be indexed by traditional search engines，so we call them Deep Web.Since query interface is the only entrance to the Deep Web，we must distinguish query interfaces of Deep Web.Since the Maximum Entropy Model could integrate various correlative and irrelative probability knowledge，it could deal with many problem well.So we use Maximum Entropy Model for query interface categorization in this paper.Compared with Bayes，C4.5 and SVM，Maximum Entropy shows its high quality.Moreover，it is useful to query interface categorization.

Key words: deep web, Html form, feature extraction, maximum entropy model

方巍^1,2,黄黎^1,2,崔志明^1,2. 基于最大熵分类器的Deep Web查询接口自动判定[J]. 计算机工程与应用, 2008, 44(21): 133-137.

FANG Wei^1,2,HUANG Li^1,2,CUI Zhi-ming^1,2. Automatic identifying query interfaces of deep Web with maximum entropy classifier[J]. Computer Engineering and Applications, 2008, 44(21): 133-137.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[6]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[7]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[8]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[9]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[10]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[11]	光睿智，安博文，潘胜达. 基于无锚框网络的航拍航道船舶检测算法[J]. 计算机工程与应用, 2021, 57(15): 251-258.
[12]	周小静，陈俊洪，杨振国，刘文印. 基于手势特征融合的操作动作识别[J]. 计算机工程与应用, 2021, 57(14): 169-175.
[13]	岳琪，徐忠亮，郭继峰. 面向混合乐器音乐分析的稀疏特征提取方法[J]. 计算机工程与应用, 2021, 57(14): 181-186.
[14]	谌贵辉，陈伍，李忠兵，易欣，刘会康，韩春阳. 残差卷积注意网络的图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(12): 193-200.
[15]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.

基于最大熵分类器的Deep Web查询接口自动判定

Automatic identifying query interfaces of deep Web with maximum entropy classifier

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics