研發(fā)

目前，由于因特網(wǎng)的迅猛發(fā)展，國際上對于網(wǎng)絡(luò)內(nèi)容挖掘(Web Content Mining)與網(wǎng)絡(luò)情報監(jiān)測(Web Intelligence Monitoring)的研究越來越重視，研究者也越來越多。樂思軟件以應用研究的角度，不斷跟蹤最新的理論成果與研究動向，不斷學習實驗融匯，開發(fā)出觀念更新穎、功能更強大的信息處理工具軟件。

領(lǐng)先的網(wǎng)絡(luò)數(shù)據(jù)采集技術(shù)

我們的網(wǎng)絡(luò)數(shù)據(jù)采集技術(shù)是建立在我們自己的理論與實踐之上的。 我們自己的理論基于對全球范圍內(nèi)的網(wǎng)絡(luò)信息采集研究學術(shù)論文的研究和我們的理論探索。 我們自己的實踐便是多年從事網(wǎng)絡(luò)數(shù)據(jù)采集服務(wù)分析處理上千個不同類型網(wǎng)站的實際經(jīng)驗。在研究初期，我們從以下幾篇重要論文得到了啟發(fā)：

大規(guī)模超文本搜索引擎Google的技術(shù)原理
The Anatomy of a Large-Scale Hypertextual Web Search Engine
該文為關(guān)于現(xiàn)代搜索引擎的經(jīng)典論文，在1998年由還在Stanford的Google創(chuàng)始人Sergey Brin與Lawrence Page作為博士論文發(fā)表。文中提出兩個重要技術(shù)：其一為將全球分散的因特網(wǎng)網(wǎng)頁集中存儲與索引的實現(xiàn)技術(shù)，其二為利用網(wǎng)頁間相互鏈接的信息，網(wǎng)頁內(nèi)部的文本語義信息與結(jié)構(gòu)信息來提高檢索結(jié)果的質(zhì)量。

從半結(jié)構(gòu)化文本與自由格式文本中學習信息抽取規(guī)則
Learning Infomation Extraction Rules For Semi-Structured and Free Text 作者Stephen
Soderland為華盛頓州立大學計算機科學系教授。本文的被引用次數(shù)高達50多次。論文以信息抽取系統(tǒng)WHISK系統(tǒng)為例，描述了如何以機器學習的方式，利用小規(guī)模樣本訓練系統(tǒng)自動學習目標文本的抽取模式，從而實現(xiàn)自動化信息抽取的一種技術(shù)。這種技術(shù)不但極具啟發(fā)意義而且很有實用價值。

從WWW中抽取模式與關(guān)系
Extracting Patterns and Relations from the World Wide Web
這是Sergey Brin的另外一篇力作。該論文提出一種叫DIPRE的方法，利用機器學習理論從大量文本中自動提取模式與關(guān)系。文中利用這種方法從互聯(lián)網(wǎng)上分散的文本中提取圖書信息，即作者，標題二元組。結(jié)果僅用了5本書的樣本集，就自動擴展到了15,000本書，而且有些書是最大的網(wǎng)上書店亞馬遜也沒有的。

領(lǐng)先的軟件工程

樂思軟件通過面向客戶的軟件開發(fā)過程捕獲潛在用戶的真正需求并準確理解，在開發(fā)之前形成系統(tǒng)設(shè)計模型說明書，像建造一棟大廈一樣先勾畫出軟件的功能設(shè)計藍圖與界面設(shè)計藍圖，便于與用戶一起溝通獲取用戶的反饋意見，以精確控制項目的范圍與具體目標，提高用戶的滿意度。 樂思軟件的軟件開發(fā)流程遵循微軟發(fā)布的微軟解決方案框架，以保證產(chǎn)品研發(fā)的穩(wěn)定進行，成功完成。

圖1 微軟解決方案框架

樂思軟件通過的層次化組件化的方式設(shè)計產(chǎn)品應用軟件并加以實現(xiàn)。

圖2 應用軟件的層次化組件化模型