龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：中国科学院深圳先进技术研究院
摘要：本发明公开了一种基于CommonCrawl数据的中文语料获取方法及系统，该方法包括：使用正则表达式和BeautifulSoup从CommonCrawl数据库的WARC原始网页数据中提取HTML页面中的网页数据和文本；利用构建的网络黑名单从文本中过滤垃圾信息，过滤之后根据文本中每条数据中的url对数据进行合并；利用哈希算法对合并后的文本进行去重，去重后通过文本模型对中文文本进行质量筛选。该方法能够得到平衡的、高质量的中文语料。这种处理方式不仅提高了数据处理的准确性和效率，还为后续的文本分析和应用提供了可靠的数据基础。
主权项：1.一种基于CommonCrawl数据的中文语料获取方法，其特征在于，包括：使用正则表达式和BeautifulSoup从CommonCrawl数据库的WARC原始网页数据中提取HTML页面中的网页数据和文本；利用构建的网络黑名单从文本中过滤垃圾信息，过滤之后根据文本中每条数据中的url对数据进行合并；利用哈希算法对合并后的文本进行去重，去重后通过文本模型对中文文本进行质量筛选。
全文数据：
权利要求：
百度查询： 中国科学院深圳先进技术研究院 基于Common Crawl数据的中文语料获取方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号