基于网页分割的Web信息提取算法.pdfVIP

网络与通信 1)$+,%2 3- 4,55637’$7,3 基于网页分割的?8 信息提取算法6 侯明燕 杨天奇 ! 暨南大学 计算机科学系 广东 广州 ! ! #$%’( 摘 要 针对网页非结构化信息抽取复杂度高的问题 提出了一种基于网页分割的 信息提 ! ! )*+ 取算法 对网页噪音进行预处理 根据网页的文档对象模型树结构进行标签路径聚类 通过自动训练 ! ! 的阈值和网页分割算法快速判定网页的关键部分 根据数据块中的嵌套结构获取网页文本提取模板 ! 对不同类型网站的实验结果表明 该算法运行速度快 准确度高 ! # 关键词 网页分割 信息提取 聚类 阈值 ! $ $ $ 中图分类号! ,-../ 文献标识码! 0 文章编号! .%12 311’$ !’$ ..( $ 3$$2 3$ !# $%’()*+$’% ,+(*-+$’% *./’($+0) 1*23 ’% !1 4*/ 2/)%+*+$’% 456 789:;9 !=9: ,898 ! ?*@ABC*9B 5D E5C@6B*A FG8*9G* !H899 I98J*AK8B; !L69:MN56 .$%’ !EN89( !#$%’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信息抽取 是一种直接从自 据 但只能用于电子商务网站 参考文献