aican_yu的专栏

说明：转载请注明作者和出处；未经许可，不得在平面媒体上发表。 这是本人在信息抽取方面的一些心得和总结，希望对于有志于互联网Web信息抽取的朋友一点启发，有任何问题可以发邮件给我或者加我msn一起讨论。 信息抽取是一个互联网自然语言处理的一个首要环节，信息抽取的准确度会直接影响到后续的处理。信息抽取的目标是去除噪音，获取网页有价值的信息如网页的标题、时间、正文、链接等信息。 主流算法

1.信息指纹算法判断重复网页的思想：为每个网页计算出一组信息指纹（Fingerprint），若两个网页有一定数量相同的信息指纹，则认为这两个网页的内容重叠性很高，也就是说两个网页是内容复制的。判断内容复制的方法中最关键的两点：1、计算信息指纹（Fingerprint）的算法；2、判断信息指纹的相似程度的参数。信息指纹就是提取网页正文信息的特征，通常是一组词或者一组词＋权重，

Google广告的偏好设置，根据兴趣类别和受众人口统计特点类别来展示广告，可以设置站点Adsense的出现广告的类别，Adsense的分类体系如下：1、类别：1578，不算多，也不算少。2、级别：一级大概是26类，一般行业下是3-4级，只有地理位置达到6-7级。3、详细程度：一般只是到《休闲游戏》，《丰田》，《相机》等比较粗略的大类上，但是具体内容、型号等在每个类别上都有体现的，比如”