位置:成果数据库 > 期刊 > 期刊详情页
基于Low-IDF-SIG的句子重复检测
  • ISSN号:1003-0077
  • 期刊名称:中文信息学报
  • 时间:2011
  • 页码:123-128
  • 分类:TP391[自动化与计算机技术—计算机应用技术;自动化与计算机技术—计算机科学与技术]
  • 作者机构:[1]复旦大学计算机科学与技术学院,上海201203
  • 相关基金:国家自然科学基金资助项目(61073069 61003092); 国家高技术研究发展计划(863计划)资助项目(2009AA01A346)
  • 相关项目:结构化情感倾向表示与分析方法研究
中文摘要:

随着互联网上数据的爆炸式增长,互联网上产生了大量的重复数据。这些重复数据给搜索引擎、观点挖掘等许多Web应用带来了严峻的问题。目前绝大部分的重复检测的算法均着重考虑文档级别,不能有效地检测出两个文档中只有一部分互为拷贝的情况。而句子级别的重复检测正是解决这类问题的一个必要步骤。该文提出了一种快速有效的句子级别的特征抽取方法——Low-IDF-Sig算法,算法依据选定的先行词从句子中抽取出改进的Shingle特征以表示句子内容。真实语料库上的实验结果证明该文提出的算法能有效地提高句子级别重复检测任务的效率和精度。

英文摘要:

Because of the explosion of the Internet,enormous duplicated data cause serious problem for search engine,opinion mining and many other Web applications.Most existing near-duplicate detection approaches focus on the document level,incpapble of finding out the duplicated part that is just a small piece of both documents.Near-duplicate detection on sentence level is a key solution to such problem.An effective and efficient feature extraction algorithm namedLow-IDF-Sig is proposed in this paper.In order to express a specified sentence,our algorithm extracts the improved Shingle feature according to selected antecedents.Experimental results based on a real corpus show that our proposed method can improve both precision and efficiency of near-duplicate detection in sentence level.

同期刊论文项目
期刊论文 5 会议论文 15 著作 1
期刊论文 11 会议论文 23
同项目期刊论文
期刊信息
  • 《中文信息学报》
  • 北大核心期刊(2011版)
  • 主管单位:中国科学技术协会
  • 主办单位:中国中文信息学会 中国科学院软件研究所
  • 主编:孙茂松
  • 地址:北京海淀中关村南四街4号中科院软件所
  • 邮编:100190
  • 邮箱:jcip@iscas.ac.cn
  • 电话:010-62562916
  • 国际标准刊号:ISSN:1003-0077
  • 国内统一刊号:ISSN:11-2325/N
  • 邮发代号:
  • 获奖情况:
  • 国内外数据库收录:
  • 日本日本科学技术振兴机构数据库,中国中国科技核心期刊,中国北大核心期刊(2004版),中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版),中国北大核心期刊(2000版)
  • 被引量:9136