微型电脑应用
微型電腦應用
미형전뇌응용
MICROCOMPUTER APPLICATIONS
2014年
9期
11-13
,共3页
Deep Web%强化学习%数据提取%更新频率
Deep Web%彊化學習%數據提取%更新頻率
Deep Web%강화학습%수거제취%경신빈솔
Deep Web%Reinforcement Learning%Data Retrieval%Update Frequency
随着Web的飞速发展,Deep Web中蕴藏着海量高质量数据,如何高效地提取这些数据极具挑战.由于Deep Web的动态性,其数据经常处于频繁更新的状态,而用户总是希望获得最新鲜的内容.为此,在分析Deep Web数据变化特性的基础上,建立一个Deep Web数据生成模型,然后,提出一种强化学习的Deep Web数据提取方法.实验表明,该方法具有较好的数据提取效率,可有效提高Deep Web数据集成服务质量.
隨著Web的飛速髮展,Deep Web中蘊藏著海量高質量數據,如何高效地提取這些數據極具挑戰.由于Deep Web的動態性,其數據經常處于頻繁更新的狀態,而用戶總是希望穫得最新鮮的內容.為此,在分析Deep Web數據變化特性的基礎上,建立一箇Deep Web數據生成模型,然後,提齣一種彊化學習的Deep Web數據提取方法.實驗錶明,該方法具有較好的數據提取效率,可有效提高Deep Web數據集成服務質量.
수착Web적비속발전,Deep Web중온장착해량고질량수거,여하고효지제취저사수거겁구도전.유우Deep Web적동태성,기수거경상처우빈번경신적상태,이용호총시희망획득최신선적내용.위차,재분석Deep Web수거변화특성적기출상,건립일개Deep Web수거생성모형,연후,제출일충강화학습적Deep Web수거제취방법.실험표명,해방법구유교호적수거제취효솔,가유효제고Deep Web수거집성복무질량.
