基于MD5三叉树和改进BIRCH算法的互联网论文数据自动...
授权
摘要
本发明提供了一种基于MD5三叉树和改进BIRCH算法的互联网论文数据自动抽取算法,该方法包括:从所需要抽取出互联网论文数据的网站中抓取数据,进行页面清洗与预处理,基于MD5三叉树进行站内静态噪音去除,基于节点间相似度进行页间动态噪音去除,融合DBSCAN密度聚类算法对样本点数据进行密集区域与稀疏区域的划分,融合密度因素构建ACF树,修正密集区域与稀疏区域生成ACF森林,基于改进BIRCH算法进行字段单元构建,将得到的字段单元通过字段匹配与页面内容提取方法对字段单元和字段进行匹配,从而得到所需要提取的网页数据。本发明噪音去除技术更优,字段单元构建与字段匹配更高效,能有效解决互联网论文数据自动抽取问题。
基本信息
专利标题 :
基于MD5三叉树和改进BIRCH算法的互联网论文数据自动抽取算法
专利标题(英):
暂无
公开(公告)号 :
CN113486228A
申请号 :
CN202110751368.1
公开(公告)日 :
2021-10-08
申请日 :
2021-07-02
授权号 :
CN113486228B
授权日 :
2022-05-10
发明人 :
宫继兵张瀚允寇肖萌龚石山彭吉全
申请人 :
燕山大学
申请人地址 :
河北省秦皇岛市海港区河北大街西段438号
代理机构 :
北京孚睿湾知识产权代理事务所(普通合伙)
代理人 :
韩燕
优先权 :
CN202110751368.1
主分类号 :
G06F16/951
IPC分类号 :
G06F16/951 G06F16/35 G06F16/903
相关图片
IPC结构图谱
G
G部——物理
G06
计算;推算或计数
G06F
电数字数据处理
G06F16/951
•••索引; 网络抓取技术
法律状态
2022-05-10 :
授权
2021-10-26 :
实质审查的生效
IPC(主分类) : G06F 16/951
申请日 : 20210702
申请日 : 20210702
2021-10-08 :
公开
注:本法律状态信息仅供参考,即时准确的法律状态信息须到国家知识产权局办理专利登记簿副本。
文件下载
1、
CN113486228A.PDF
PDF下载