1、該文為web數(shù)據(jù)中的文本數(shù)據(jù)建立了一種Dublin Core文本元數(shù)據(jù)表,將web文本這種非結構化數(shù)據(jù)結構化.Web文本元數(shù)據(jù)分為描述性元數(shù)據(jù)和語義性元數(shù)據(jù),描述性元數(shù)據(jù)通過分析HTML源文件直接得到,該文的主要工作有以下四部分:1.對HTML源文件進行分析,將標記流和文本流分開,根據(jù)標記流,提取題目元數(shù)據(jù)項;根據(jù)文本流將文本形式化為一個矩陣模型,在矩陣模型基礎上提取文本的作者元數(shù)據(jù)項.2.利用模糊數(shù)學的相關知識,為該文建立了文本狀態(tài)模

2、糊集與模糊相似矩陣,由此可提取文本的主題關鍵字元數(shù)據(jù)項;采用文本分類基本思想,提取題材元數(shù)據(jù)項.3.為了提取內容元數(shù)據(jù)項,首先,利用模糊相似矩陣對冗長句處理,形成內容候選句WHJ1;其次,在內容候選句WJH1中,利用模糊序貫決策論對冗長段進行處理,形成內容候選句WHJ2;最后,利用平面聚類和C_均值聚類算法對內容候選句集WHJ2進行聚類,然后將每一類中的相關性較小的句子剔除,最后形成文本內容元數(shù)據(jù)項.4.試驗結果表明:該系統(tǒng)對語義性元數(shù)