Web面自動(dòng)分類系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)2

1、Web頁面自動(dòng)分類系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)2摘要：Web頁面由于其在表達(dá)信息的豐富性方面遠(yuǎn)勝于純文本文件,因此Web頁面分類與純文本分類不同。針對(duì)網(wǎng)上中文新聞頁面特點(diǎn)，我們提出了一種無需詞典的從Web頁面中抽取主題的實(shí)用算法。并將提取出的類主題概念融入分類用知識(shí)庫(kù)，然后用我們研究小組提出的混合分類算法進(jìn)行分類，實(shí)驗(yàn)語料取自新華網(wǎng)財(cái)經(jīng)新聞。實(shí)驗(yàn)結(jié)果表明：與不使用Web頁面特征，僅用全文相比較，分類性能有所提高。關(guān)鍵詞：自動(dòng)分類、超文本、主題提取、特征選取1引言錯(cuò)誤！未定義書簽2Web頁面自動(dòng)分類的三種策略錯(cuò)誤!未定義書簽2.1基于內(nèi)容分析方法錯(cuò)誤！未定義書簽2.2混合方法錯(cuò)誤！未定義書簽2.3基于超鏈分

2、析方法錯(cuò)誤！未定義書簽3關(guān)于超文本規(guī)則性方面用于超文本分類的研究錯(cuò)誤！未定義書簽Web新聞頁面抽取主題概念的無詞典方法錯(cuò)誤！未定義書簽Web頁面自動(dòng)分類錯(cuò)誤！未定義書簽6實(shí)驗(yàn)結(jié)果與討論錯(cuò)誤！未定義書簽7結(jié)語錯(cuò)誤！未定義書簽參考文獻(xiàn)：錯(cuò)誤！未定義書簽1引言隨著因特網(wǎng)的迅猛發(fā)展，網(wǎng)絡(luò)信息也以爆炸式增長(zhǎng)，網(wǎng)絡(luò)信息資源的自動(dòng)分類組織顯得十分迫切。Web頁面由于其在表達(dá)信息的豐富性方面遠(yuǎn)勝于純文本文件，例如擁有超連接、HTML標(biāo)記、元數(shù)據(jù)等特征，因此Web頁面分類與純文本分類不同。如何恰當(dāng)?shù)乇硎網(wǎng)eb頁面文檔的主題，并且使用相應(yīng)算法完成歸類就成為新形勢(shì)下自動(dòng)分類的一個(gè)挑戰(zhàn)。在Web頁面自動(dòng)分類(一般用超

3、文本格式的HTML或XML描述語言表示， 也稱為超文本自動(dòng) 分 類 ) 領(lǐng) 域 中 ， 較 早 的 一 篇 研 究 論 文 是 舊M公 司SoumenChakrabarti等 人 的“Enhancedhypertextcat-egorizationusinghyperlinks(ACMSIGMOD1998【1。近年來，研究人員提出了許多種Web頁面自動(dòng)分類的算法，這些算法按其策略大致可以分為3種類型：基于內(nèi)容分析的方法(thecontent-basedanalysisapproach)；基于超鏈分析的方法(thelink-basedanalysisapproach)；混合方法(thehy-br

4、idapproach)。2Web頁面自動(dòng)分類的三種策略基于內(nèi)容分析方法(thecontent-basedanalysisapproach)就是使用傳統(tǒng)的自動(dòng)分類算法，如k-NN分類算法、支持向量機(jī)(SupportVectorMachines,SVMs等算法實(shí)現(xiàn)對(duì)Web頁面正文進(jìn)行分類。舊M公司SoumenChakrabarti等人【1】的研究表明不使用超鏈接，而單純使用文本內(nèi)容以Yahoo作為語料的自動(dòng)分類效果是非常不好的。還有一個(gè)缺點(diǎn)在于有些Web頁面上面文本內(nèi)容太少，不足以用基于內(nèi)容分析方法來分類Web頁面。基于超鏈分析方法(thelink-basedanalysisap-proach)是

5、僅利用嵌入在Web頁面中的超鏈接信息進(jìn)行分類。基于超鏈分析方法的算法主要有類PageRank算法、類HITS算法等。這種類型方法基于一個(gè)很重要的假設(shè)就是如果有一個(gè)鏈接從用戶網(wǎng)頁到目標(biāo)網(wǎng)頁，那么用戶網(wǎng)頁的作者相信目標(biāo)網(wǎng)頁與用戶網(wǎng)頁相關(guān)。有研究者的研究表明，如果部分文檔、從語料庫(kù)中排除掉以后，基于超鏈的算法往往呈現(xiàn)出不穩(wěn)定性。混合方法(thehybridapproach)：混合方法(即將基于超鏈分析的方法與基于內(nèi)容分析的方法結(jié)合起來的方法)提出來是為了提高分類系統(tǒng)的分準(zhǔn)率。混合方法又可以分為兩類：一種是用基于內(nèi)容分析方法增強(qiáng)基于超鏈分析的方法，一種是用基于超鏈分析方法增強(qiáng)基于內(nèi)容分析的方法。用基于

6、內(nèi)容分析方法增強(qiáng)基于超鏈分析的方法產(chǎn)生兩大問題：第一個(gè)是當(dāng)hubs混合時(shí)，基于內(nèi)容修剪方法將舍棄許多有用的超鏈接信息；第二個(gè)類問題是由于超鏈接分析不穩(wěn)定造成的。用基于超鏈分析方法增強(qiáng)基于內(nèi)容分析的方法可以繼承了基于內(nèi)容分析方法的高分準(zhǔn)率，但是簡(jiǎn)單地增加近鄰文本到內(nèi)容分析中甚至分類錯(cuò)誤率由于噪聲太多的緣故。因此，有些研究結(jié)果建議仔細(xì)選擇近鄰鏈接文本。3關(guān)于超文本規(guī)則性方面用于超文本分類的研究美國(guó)卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)學(xué)院YimingYang作為文本自動(dòng)分類領(lǐng)域著名專家，在自動(dòng)分類許多問題上做出重要貢獻(xiàn)。隨著因特網(wǎng)信息大爆炸，WebM面自動(dòng)分類需求日益迫切，YimingYang深刻地認(rèn)識(shí)到：由于We

7、b頁面信息的豐富性(擁有超鏈接、元數(shù)據(jù)、HTMLtags等)，如何恰當(dāng)?shù)乇硎網(wǎng)eb頁面的主題信息是一個(gè)新的挑戰(zhàn)。為了便于尋找出Web頁面(即由超文本格式表示)表示主題信息特征的規(guī)律，YimingYang教授根據(jù)超文本的結(jié)構(gòu)形式定義了六類超文本規(guī)則性(HypertextRegularities)【2-3】：無超文本規(guī)則性(NoHypertextRegularity);百科全書式規(guī)則性(EncyclopediaRegularity);同被引規(guī)則性(Co-ReferencingRegularity);部分同被引規(guī)則性(PartialCo-ReferencingRegularity);預(yù)分類規(guī)則性(P

8、reclassifiedRegularity);元數(shù)據(jù)規(guī)則性(MetaDataRegularity)。YimingYang定義六種超文本規(guī)則性是為了探索關(guān)于超文本結(jié)構(gòu)對(duì)超文本分類的影響，以及在構(gòu)造分類器時(shí)如何利用他們的特征。無超文本規(guī)則性(NoHypertextRegularity)。如果文件的鏈接是隨機(jī)的，或者說獨(dú)立于文檔的類別時(shí)，我們是無法利用超鏈接來構(gòu)造性能更好的文本分類器的。百科全書式規(guī)則性(EncyclopediaRegulari-ty)。如果文件的類別與大多數(shù)鏈接文件的類別相同，那么我們可以期望超鏈接可以提供構(gòu)造分類器的幫助信息。同被引規(guī)則性(Co-ReferencingRegul

9、arity)。 這種情況與EncyclopediaRegularity類似，但是具有相同類別文件鏈接到指向并非該類別的文檔。比較典型的例子大概是大學(xué)學(xué)生的索引頁面不是鏈接到相互之間，但是大多數(shù)鏈接到學(xué)生主頁。這種規(guī)則性給我們預(yù)測(cè)力，我們構(gòu)造分類器處理文件時(shí)要與鏈接文件區(qū)分開來。這種規(guī)則性在幫助分類表現(xiàn)在使用鏈接文件的單詞時(shí)，要把它們處理為不同的詞匯表詞語。一個(gè)簡(jiǎn)單的處理方式就是把來自鏈接文件的單詞加一個(gè)標(biāo)記，比如說linked-word。部分同被引規(guī)則性(PartialCo-ReferencingRegularity)。這是一種我們將發(fā)現(xiàn)部分噪聲鏈接的同被引規(guī)則性。我們可能發(fā)現(xiàn)帶有這種類型規(guī)則

10、性的學(xué)生主頁往往指向關(guān)于他們自己業(yè)余愛好的頁面，而且鏈接到更廣泛的其它主頁并非唯一的鏈接到學(xué)生主頁。如果我們發(fā)現(xiàn)業(yè)余愛好頁面是預(yù)測(cè)性學(xué)生主頁，那么我們能夠構(gòu)造一個(gè)更精確的分類器。Graven等應(yīng)用此算法到一個(gè)大學(xué)的Web頁面語料庫(kù)，發(fā)現(xiàn)可以改善分類性能，此語料庫(kù)是具有此特性的語料庫(kù)。預(yù)分類規(guī)則性(PreclassifiedRegularity)。這種超文本規(guī)則性是指超鏈接結(jié)構(gòu)中包含了分類方案。最具代表性的例子是一個(gè)從Yahoo!主題層次中抽取的部分頁面。元數(shù)據(jù)規(guī)則性(MetaDataRegularity)。超文本中含有豐富的元數(shù)據(jù)，如果這些特征足夠豐富，他們可以被單獨(dú)或者與超鏈接、文本信息結(jié)合

11、用來構(gòu)造文本分類器。通過對(duì)超文本結(jié)構(gòu)的劃分，在利用超文本結(jié)構(gòu)特性信息時(shí)可以具有針對(duì)性，少走許多彎路。在下文中，我們將利用YimingYang定義的超文本結(jié)構(gòu)特性，抽取用于分類的主題概念。4Web新聞頁面抽取主題概念的無詞典方法新聞標(biāo)題是高度地概括新聞內(nèi)容、 提示新聞內(nèi)容、評(píng)價(jià)新聞內(nèi)容的簡(jiǎn)短文字，用以引導(dǎo)和吸引讀者注意、憑借新聞內(nèi)容或組織新聞內(nèi)容。網(wǎng)絡(luò)新聞標(biāo)題特征是：準(zhǔn)確的事實(shí)提示；標(biāo)題單行化51這兩大特征以及網(wǎng)絡(luò)新聞頁面的結(jié)構(gòu)化特征為我們自動(dòng)抽取主題概念提供了堅(jiān)實(shí)的基礎(chǔ)。網(wǎng)上新聞主題的抽取方法61與單篇新聞主題的抽取方法在實(shí)現(xiàn)上既有相似之處，又有不同點(diǎn)。我們課題組發(fā)表在軟件學(xué)報(bào)(2002.2)

12、上的論文71中曾詳細(xì)地介紹了單篇新聞主題提取的算法，具體請(qǐng)大家參閱。在這里我們主要介紹其相異之處，對(duì)相似之處即實(shí)現(xiàn)的數(shù)據(jù)結(jié)構(gòu)部分僅做簡(jiǎn)要介紹。為了實(shí)現(xiàn)快速主題提取，我們利用了兩個(gè)線性表作為基本數(shù)據(jù)結(jié)構(gòu)。如圖1和圖2所示。在這兩個(gè)圖中，m是標(biāo)題中字符的數(shù)量，n是超鏈接標(biāo)題中字符的數(shù)量，s是原始主題基因的個(gè)數(shù)。圖1是一個(gè)標(biāo)題字符的記錄，總的記錄數(shù)小于或等于m,每個(gè)記錄的項(xiàng)數(shù)不超過n+2個(gè)。它記錄了每一個(gè)標(biāo)題字符在超鏈接標(biāo)題中的位置。通過檢查每個(gè)記錄表，我們就能找到所有的原始主題基因用。圖2是得到的一個(gè)主題基因，其中Hpt,Hph,Tpt,Tph分別代表每個(gè)基因用的頭和尾在標(biāo)題和超鏈接標(biāo)題中的位置。

13、通過檢查這個(gè)基因表中的項(xiàng)目，我們可以判斷兩個(gè)基因用是否相臨(相鄰意味著一個(gè)基因用的頭是另一個(gè)基因用的尾)。至于基因用的長(zhǎng)度Len和基因用出現(xiàn)的頻率Freq,主要用于在下一步計(jì)算基因用的權(quán)值。圖1標(biāo)題字符線性表注：Char(i)：標(biāo)題中的字符；Times：Char(i)在超鏈接標(biāo)題中出現(xiàn)的次數(shù)；Pos：Char(i)在超鏈接標(biāo)題中的不同位置。圖2主體基因線性表注：SG:主體基因；Len：基因用長(zhǎng)度；Freq：基因用出現(xiàn)頻次；Hpt:基因用頭在標(biāo)題中的位置；Hph:基因用頭在超鏈接標(biāo)題中的位置；Tpt:基因串尾在標(biāo)題中的位置；Tph:基因用尾在超鏈接標(biāo)題中的位置。權(quán)值計(jì)算的相關(guān)問題以及形成主題概念

14、的后處理可參考論文【5】。網(wǎng)上新聞主題概念單元自動(dòng)抽取算法實(shí)現(xiàn)過程具體的實(shí)現(xiàn)過程描述如下：掃描Web網(wǎng)頁中文新聞頁面；利用超文本結(jié)構(gòu)，抽取網(wǎng)頁中之間的網(wǎng)絡(luò)新聞標(biāo)題以及之間的超鏈接的個(gè)數(shù)a；把所有的單字節(jié)字符轉(zhuǎn)換為雙字節(jié)字符，建立起字符位置表。利用標(biāo)題中的每一個(gè)字符，從第一個(gè)超鏈接標(biāo)題的開始到結(jié)尾進(jìn)行掃描，把每一個(gè)標(biāo)題字符在超鏈接標(biāo)題中的位置放入到圖1所示的標(biāo)題線性表數(shù)據(jù)結(jié)構(gòu)中，并記錄該字符在超鏈接標(biāo)題中出現(xiàn)的次數(shù)；形成基本的主題基因。在線性表中從上到下把所有在超鏈接標(biāo)題中相連的字符取出作為可能的SG記錄其長(zhǎng)度(至少為2),以及SG的頭尾字符分別在標(biāo)題及超鏈接標(biāo)題中的位置，把這些信息按順序放入圖

15、2所示主體基因線性表數(shù)據(jù)結(jié)構(gòu)中；連接SG。在主體基因線性表中自底向上，比較下面的SG的頭字符與上一個(gè)SG的尾字符，當(dāng)兩個(gè)字符相同且在標(biāo)題和超鏈接標(biāo)題中的位置均相同時(shí)，刪除重復(fù)的字符并把兩個(gè)SG連在一起形成新的較長(zhǎng)的SG;不斷重復(fù)上一步，直到把符合定義1的SG都盡可能長(zhǎng)地連接起來，形成主題概念，在連接的過程中，計(jì)算各個(gè)SG出現(xiàn)的頻次；進(jìn)行誤連接后處理；輸出正式的SG;然后使用標(biāo)題對(duì)后a-1個(gè)超鏈接標(biāo)題重復(fù)執(zhí)行步驟3至8;對(duì)輸出的SG進(jìn)行兩兩匹配，選取出出現(xiàn)頻次最高的SG,即為主題概念。5Web頁面自動(dòng)分類根據(jù)對(duì)網(wǎng)上新聞頁面格式的觀察及分析，這些網(wǎng)絡(luò)新聞與超鏈接指向的新聞的關(guān)系屬于YimingYa

16、ng教授【2-3】劃分的第二種類型：百科全書式規(guī)則性(EncyclopediaRegularity),也就是，如果文件的類別與大多數(shù)鏈接文件的類別相同，那么我們可以期望超鏈接可以提供構(gòu)造分類器的幫助信息。為什么網(wǎng)絡(luò)新聞會(huì)屬于這種類型，因?yàn)檫@些超鏈接指向的相關(guān)新聞是由網(wǎng)絡(luò)新聞編輯推薦的，所以像編寫百科全書條目是引用的文獻(xiàn)一樣，總是屬于一個(gè)相同類別或者相關(guān)類別的。由上我們可以得出使用我們提出的網(wǎng)上新聞主題概念抽取方法抽取出的主題可以作為直接定類用的直接定類概念，我們將抽取出的主題概念加入到分類用直接定類知識(shí)庫(kù)。自動(dòng)分類的混合算法：混合分類算法是我們?cè)谘邪l(fā)自動(dòng)分類系統(tǒng)的長(zhǎng)期實(shí)踐中發(fā)現(xiàn)：分類專家在看到

17、一個(gè)專指性很強(qiáng)的概念時(shí)，往往直接歸入相關(guān)類別，例如看到主題是“肝癌”的文章時(shí)，就可以直接歸入醫(yī)學(xué)類。我們?cè)鴮?duì)500篇中國(guó)資訊行新聞?wù)Z料作手工實(shí)驗(yàn)，先人工抽取直接定類概念，然后對(duì)之進(jìn)行手工分類，情況吻合。受此啟發(fā)，我們提出了自動(dòng)分類的混合方法，即首先使用專指性很強(qiáng)的直接定類概念進(jìn)行直接定類，不能用它直接定類的用k-NN法進(jìn)行分類，K-NN法也無法分出的，用VSM(向量空間模型)法分類，實(shí)在無法分出的交由人工處理?；旌纤惴鞒蹋核惴ㄩ_始：Begin在直接定類概念表中查找；if是直接定類概念then直接定類；else在類主題概念對(duì)應(yīng)表中查找根據(jù)k-NN算法，對(duì)目標(biāo)文本向量與未知文本向量進(jìn)行k-NN計(jì)

18、算,得出相似性最高的類別名稱；else根據(jù)VSM（向量空間方法）法，對(duì)目標(biāo)文本向量與未知文本向量進(jìn)行VSM計(jì)算，得出相似性計(jì)算，得出相似性最高的類別名稱；else無法分出的類別交給人工處理END其中，k-最近鄰算法（k-NN）及向量空間模型算法（VSM兩種算法的詳細(xì)解釋在【8】有詳細(xì)描述。6實(shí)驗(yàn)結(jié)果與討論具體的實(shí)驗(yàn)語料隨機(jī)取自新華網(wǎng)財(cái)經(jīng)新聞2002年10月-2003年7月1000條網(wǎng)上新聞，利用我們開發(fā)的分類器分類實(shí)驗(yàn)（這個(gè)分類器我們已經(jīng)使用中國(guó)香港資訊行ChinaInfoBank的8萬條語料進(jìn)行訓(xùn)練） ,整個(gè)實(shí)驗(yàn)分為兩種情況：一種情況是將這1000篇語料不使用超鏈接等Web頁面信息，而是將其

19、看作是一個(gè)純文本文件進(jìn)行處理；另外一種情況是使用Web頁面的鏈接信息加上網(wǎng)頁新聞的文本內(nèi)容信息，利用了從新聞標(biāo)題及超鏈新聞標(biāo)題中提取出來的主題概念。最后的實(shí)驗(yàn)結(jié)果見表1。實(shí)驗(yàn)結(jié)果表明，使用文本+超鏈接的分類方法略優(yōu)于單純使用純文本的分類方法。當(dāng)然，如果能夠充分利用Web頁面的結(jié)構(gòu)信息，那么分類效果仍很有提升的余地。表1單純使用文本與使用文本+超鏈接分類網(wǎng)上新聞分出、分準(zhǔn)率對(duì)照表文本+超鏈接法純文本算法文本？超鏈接純文本算法分出率99.6%99.3%分準(zhǔn)率87.6%84.9%7結(jié)語Web頁面自動(dòng)分類技術(shù)已經(jīng)成為Web信息資源組織與管理領(lǐng)域里的一個(gè)研究熱點(diǎn)，其在門戶網(wǎng)站、搜索引擎的目錄導(dǎo)航服務(wù)、信

20、息過濾、主動(dòng)信息推送服務(wù)、數(shù)字圖書館、主題搜索、個(gè)性化信息服務(wù)等領(lǐng)域得到了廣泛的應(yīng)用。由于Web頁面內(nèi)容及結(jié)構(gòu)往往在表達(dá)信息的豐富性方面遠(yuǎn)勝于純文本文件，例如擁有超連接、HTML標(biāo)記、元數(shù)據(jù)等特征，所以網(wǎng)頁的自動(dòng)分類與純文本的自動(dòng)分類在預(yù)處理、特征提取、分類算法設(shè)計(jì)等方面也大大不同。結(jié)合我們所做實(shí)驗(yàn)，獲得了如下經(jīng)驗(yàn)，希望能對(duì)今后的網(wǎng)頁自動(dòng)分類系統(tǒng)開發(fā)能有所啟發(fā)。Web頁面主題特征的提?。焊鶕?jù)新聞學(xué)及網(wǎng)絡(luò)新聞學(xué)的基本原理，新聞標(biāo)題是高度地概括新聞內(nèi)容、提示新聞內(nèi)容、評(píng)價(jià)新聞內(nèi)容的簡(jiǎn)短文字，用以引導(dǎo)和吸引讀者注意、憑借新聞內(nèi)容或組織新聞內(nèi)容。網(wǎng)絡(luò)新聞絡(luò)新聞要遠(yuǎn)比傳統(tǒng)媒體尤其是報(bào)紙標(biāo)題更為簡(jiǎn)潔傳神耐

21、人尋味，從而大大的避免了侵權(quán)行為的發(fā)生。該技術(shù)模型的實(shí)施對(duì)于Author來說最大限度的保障了版權(quán)人的利益，版權(quán)人只需將自己的作品， 以一定的授權(quán)方式提供給ISP獲得應(yīng)得的版權(quán)費(fèi)用； 而ISP在付給版權(quán)人版權(quán)費(fèi)或作品使用權(quán)費(fèi)的同時(shí)，既可以在“種子文件”中加入商業(yè)信息或廣告，還可以通過運(yùn)作所獲得的大量授權(quán)資源來獲得其他增值利益，這也使得以追求經(jīng)濟(jì)利益為目標(biāo)的服務(wù)商，能夠在滿足用戶需求和賺取利潤(rùn)方面獲得平衡。對(duì)于最終用戶而言，此模式的服務(wù)體系基本滿足了用戶的需要，用戶可以放心的免費(fèi)下載各種自己想要的資源，也不用擔(dān)心此舉會(huì)涉嫌侵權(quán)?；赑2P技術(shù)的共享服務(wù)給人們使用互聯(lián)網(wǎng)帶來了許多便利,但是它應(yīng)用模式

22、已經(jīng)突破了傳統(tǒng)的版權(quán)立法體系的界限。其引發(fā)的知識(shí)產(chǎn)權(quán)問題要我們從技術(shù)管理模式構(gòu)建、法律政策的完善及多方主體協(xié)調(diào)配合等方面綜合思考，加以解決。而目前國(guó)內(nèi)外從法律規(guī)范的角度展開研究的不少，但從技術(shù)管理的視角進(jìn)行探討的范例則不多見。如何在合理的法律空間內(nèi)探討可行的知識(shí)產(chǎn)權(quán)管理模式，在版權(quán)人，網(wǎng)絡(luò)服務(wù)提供者及最終用戶等主體之間找到一個(gè)合適的平衡點(diǎn)，還需從理論與實(shí)踐中深入探討和研究。參考文獻(xiàn)1李秀蓮.P2P軟件使用用戶版權(quán)侵權(quán)問題的解決對(duì)策J.現(xiàn)代情報(bào)，2005,(08):8-10.2王遷.P2P軟件最終用戶版權(quán)侵權(quán)問題研究J.知識(shí)產(chǎn)權(quán)，2004,(5):9-13.3崔立紅，郝雷.P2P技術(shù)相關(guān)版權(quán)侵權(quán)

23、問題研究J.法學(xué)論壇，2006,(02).:90-95.4萬鄂湘.知識(shí)產(chǎn)權(quán)理論與適用M.北京：人民法院出版社,2005:170.5張平：網(wǎng)絡(luò)知識(shí)產(chǎn)權(quán)及相關(guān)法律問題透析M廣州：廣州出版社，2000:26.6竇文，王懷民等.構(gòu)造基于推薦的Peer-to-Peer環(huán)境下的Trust模型J.軟件學(xué)報(bào)，2004,15(4):571-583.LiXiong,LingLiu.PeerTrust-supportingreputationbasedtrustforpeer-to-peerelectroniccommunitiesJ.IEEEtransac-tionsonKnowledgeandDataEngineering.2004,16(7)：843-857.oumenChakrabarti,ByronDom,PiotrIndyk.Enhancedhy-pert