jakisou专栏

                  网页信息抽取，是垂直搜索引擎领域的一项重要技术。它是利用数据挖掘、统计分析、页面结构分析等技术，从海量网页库中抽取出结构化的有用信息（称之为记录Record）以及信息之间的关系。因此，就引入了两个问题？一个是如何度量有用的信息？另外一个是信息之间的关系什么确定？我们能不能用一种知识体系来刻画或界定呢？          前些日子， 刚好看了篇论文"Le

一.  介绍统计结果表明，近似镜像网页数占总网页数的比例高达全部页面的29%,而完全相同的页面大约占全部页面的22%。这些重复网页有的是没有一点改动的拷贝，有的在内容上稍作修改，比如同一文章的不同版本，一个新一点，一个老一点，有的则仅仅是网页的格式不同（如 HTML, Postscript）,文献[Models and Algorithms for Duplicate Document Det