山东大学软件学院2024年web数据管理A卷

考试时间：2024/6/14

连莉老师人很好，不会查考勤，实验也不是很难，实验老师不严格

考试就是“背多分”，但是不能完全依赖往年的复习重点，因为老师每年讲课内容多少有点差异，但最后一节课老师会讲考试范围（很细致，哪里要背，哪里不用背），所以最后一节课一定认真听！然后就背ppt就行了，内容很多，但老师给分很值得

填空题需要细节记忆，多看看ppt，可能会出一些小字部分

非常推荐！！！！！！！！！！！

一、填空

爬虫采用（    ）判重

word2vec是计算（    ），和（    ）（king-man+woman）

fasttext是（    ）和（    ）工具，提出了（    ）技术

（    ）是python的快速、高层次的屏幕抓取和web抓取

文本与处理的结果是文档（    ）和文档（    ）

PLSA的全称是（    ），根据已知的都文档-词项模型训练出（    ）和（    ）

LDA的全称是（    ）

html解析器（    ）

csv是（    ）结构化文本文件

结构化数据可以存储为（    ），（    ），（    ），和csv文件

（    ）模型直接通过神经网络对其建模求解，可以解决n-gram模型当n过大时的（    ）问题

（    ）是将给定的字序列拆分成子序列的过程

反爬策略有robot协议，（    ），（    ），javascript渲染

单记录文档型页面的抽取方法有基于_的抽取方法和基于（    ）的抽取方法

白化是为了消除不同特征之间的（    ），使用（    ）方法实现

文本表示分为离散表示和（    ）表示

skip-gram的改进方法有（    ）和（    ）

二、名词解释

（要把思想、公式等都写上）

1、正则表达式

2、web数据抽取

3、HMM

4、词袋模型

5、统计语言模型

三、简答

1、包装器是什么，比较包装器的两种抽取规则

2、CBOW的结构，思想，训练过程和应用场景

3、简述常用的局部特征及其思想