| 论文题目： | 多视角网页分类数据集构建及性能评估 |
|---|---|
| 第一作者： | 孙辰星，刘伟，卢彬，梁诗宇等 |
| 联系作者： | |
| 发表年度： | 2024 |
| 摘 要： | 网页分类是互联网数据挖掘中的一项重要任务，在信息搜索、推荐系统和知识发现等领域发挥着关键作用.然而，现有的公开网页数据集缺乏多视角信息，难以适用于蕴含复杂特征的网页分类任务.针对上述问题，基于“收集-处理-标注”构建流程，提出一个涵盖文本语义、网页结构等多视角特征的网页数据集Web-Minds，该数据集包含600余个门户网站下的21828条网页.首先，在开放互联网中通过关键词检索采集得到相关网页数据；其次，使用网页解析工具对收集的数据中的文本、DOM结构树、关键词等多视角信息进行提取与清洗；最后，采用大语言模型与“人在回路”的联合标注策略，形成网页类型与网页主题两种标签.在此基础上，针对Web-Minds数据集，测试评估了机器学习、文本分类和网页分类多种算法，结果表明，综合利用多视角特征能有效提升算法的准确率，和仅应用单视角特征相比，在网页类型和主题分类任务上，准确率分别提升了5.49%和5.61%. |
| 英文摘要： | |
| 刊物名称： | 南京大学学报(自然科学) |
| 全文链接： | |
| 论文类别： | CSCD |
在线留言
联系我们
所长信箱