基于搜索引擎的双语混合网页识别新方法

摘要：

该文提出了一种从搜索引擎返回的结果网页中获取双语网页的新方法,该方法分为两个任务.第一个任务是自动地检测并收集搜索引擎返回的结果网页中的数据记录.该步骤通过聚类的方法识别出有用的记录摘要并且为下一个任务即高质量双语混合网页的验证及其荻取提供有效特征.该文中把双语混合网页的验证看作是有效的分类问题,该方法不依赖于特定领域和搜索引擎.基于从搜索引擎收集并经过人工标注的2516务检索结果记录,该文提出的方法取得了81.3%的精确率和94.93%的召回率.

关键词：Web挖掘、双语混合网页、平行语料

所属期刊栏目：25

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目资助61003152,60970057,60873105

在线出版日期：2011-06-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：71-78