Web网站层次概念树自动抽取研究.pdfVIP

摘 要 随着政务工作信息化程度日益提高,网站在政府工作中扮演着重要角色，因 此信息公开，时效性，可靠性，易操作性等影响网站使用的关键因素越来越受 到关注。本文结合电子政务型站点的布局特征，提出了一种网站分类信息自动 抽取模型，为评估工作提供基础。网页中的超链接包含主题定位和超文本信息， 经研究表明，由超链接相连的网页之间的主题相关性大大超过高于没有相连的； 超链接中的文本信息是对目标网页内容的描述。因此这种按照主题相关性布置 的网页结构从某种角度上可被看作是一个语义网络。 本文从网站层次结构角度探究内容概念的深层关联关系。基于页面结构化 的信息提取，一次从页面中抽取多个数据项。提高了系统的可扩展性和可移植 性，提高了抽取效率。利用深度访问模式进行站内所有超链接获取，设计HashMap 存储原理并实现重复 URL 过滤。网页类型判断准则，噪音净化。构建以内容语 义为节点的网站层次结构树，不同于一般的文档信息提取，网站内容更具组织 性，布局工作在网站设计之初的关键步骤。类似于书籍的目录一样，网站分类 概念结构能够非常清晰、简便的反映内容结构。通过以上结构语义信息抽取， 为网站评估，深度、广度，分类粒度合理性提供参考。 关键词: 层次结构抽取；web概念结构；评价指标体系；Web信息可视化 - 1 - Abstract Work with the government increasing the level of information, the site work in the government plays an important role and therefore public information, timeliness, reliability, ease of use of such key factors affecting site more and more attention. In this paper, on the base of E-type characteristics, Design a site classification information extraction system, for the future Web evaluation. Web pages contain hyperlinks hypertext information subject position and, after study shows the pages linked by the hyperlink between the subjects of much more than that not connected; hyperlink text message is a description of the target page content. Therefore, in accordance with the subject of this web page layout structure of a certain sense can be seen as a semantic network. This article from the site hierarchy views the content of the concept of exploring the deep association. Page is structured based on information extraction, an extract from the page number of data items. Improve the system scalability and portability, to improve the extraction e