一种基于页面Block的Web信息提取方法.pdfVIP

第20卷 第 1期 计 算 机 技 术 与发 展 V01．20 No．1 2010年 1月 COMPUTERTECHNOLOGY AND DEVEL，0PMENT Jan． 2010 一 种基于页面 Block的Web信息提取方法 蒙 韧，邵延振，袁鼎荣 (广西师范大学，广西 桂林 541004) 摘 要 ：基于页面结构的信息提取是Web数据挖掘中三大研究领域之一。该研究的关键技术是如何识别Web页面的组 织形式，从中挖掘所需要的页面信息。文中基于页面的语义分块 (Block)给出一个新的块主题提取算法，与传统的以页面 为单位的Web信息提取相 比，更符合实际情况 ，粒度优势明显。该算法针对页面中不同分块的重要性给予不同的权值，依 据权值大小取舍页面信息提供给用户。针对该算法进行了模拟实验 ，从实验结果可 以看出该算法具有一定的实用性和有 效性。 关键词：语义 Block；Block权值；Block主题提取；web信息挖掘 中图分类号：1]P311 文献标识码：A 文章编号：1673—629X(2010)01—0197～04 A W eb InformationExtractionAlgorithm Basedon W ebPage MENG Ren，SHAO Yan—zhen，YUAN Ding—rong (GunagxiNormalUniversity，Guilin541004，China) Abstract：Inofrrnat~nextractionbasedwebpsqgestructureisoneofthreewebdatamining’Sresearchfields．Keytechnologyofthere— searchishow torecognizewebpage’Sorganizationform andminetheneededinfomr ation．Intrducesanew blocktopic—extractedalgo— rithm ba．~vlonesmanticblock．Comparedwithtraditionalinformationextractionbasedonwebpage，itisnloreaccordnattothefactand theadvnatageofgranularityisevident．Thisa~ofithrngivesdifferentblockweightvaluesaccording totheimportnaceofdifferentblocks inawebpage．Extractusefulinformationforusersaccordingtomagnitudeofblockweight．Simulationexperimentwasprefomredofrthis algorithm ．Thisalgorithm hashighpracticabilitynadeffectiveness． Keywords：semanticblock；blockweight；blocktopicextraction；webdatamining 0 引 言 (2)基于页面Block进行提取信息，可 以适当忽略 互联网技术不断成熟和发展，网络信息资源的急 稳定的且内容无关的区域，节省处理和存储代价。 剧增长，要想找到符合要求的信息资源越发困难，不仅 需要浏览的网页数量剧增，而且网页的结构和内容越 1 页面 Block的特征提取 发复杂和多样，从网页中快速提取主要信息变得非常 1．1 页面Block的基础： 必要 。