知识卡片
文本查询词应迭代生长
通用文本框没有可用的领域词典时,可先从表单页面抽取相关词作为种子,提交查询后再从返回页面发现新候选词,反复探测并按结果覆盖筛选。要剔除几乎处处出现的模板词和只出现一次的偶然词。发散:候选词不是固定清单,而是被目标站点的数据逐步反馈修正。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第09章 探寻Deep Web · 查看原书依据
从结果文档中抽取额外的关键字。然后,我们用这些抽取的关键字更新文本框的候选值;重复该过程直到无法进一步抽取关键字
参考来源
- 位置:《数据之美》第9章《探寻Deep Web》(源文件:_epub-src/OEBPS/Text/part0360.xhtml)
- 结论依据:原文从初始种子查询开始,利用返回文档抽取新词并迭代更新;频繁出现的模板词和孤立词被排除,词值再按内容丰富度筛选,因此可推出反馈式候选值生成。
- 原始内容:从高层上,我们指定候选关键字的初始种子集合作为文本框的输入值……从结果文档中抽取额外的关键字。然后,我们用这些抽取的关键字更新文本框的候选值;重复该过程直到无法进一步抽取关键字