Blog网页分类与识别技术研究.pdfVIP

第28卷第12期 通信学报 、，01．28No．12 2007年12月 Jaumal加C01瑚删calions December2007 Blog网页分类与识别技术研究 郑德权，张迪，赵铁军，于浩 (哈尔滨工业大学语言语音教育部．微软重点实验室，黑龙江哈尔滨150001) 摘要：为了找到一种自动将B109网页区别于其他w曲页面的方法，以便针对Blog语料进行内容抽取、对Blog 社区进行规律性研究和发现等，针对Blog网页的特点与规律，提出～种根据网页结构和关键字计算相似度的方 法识别Blog网页，初步的实验结果表明，达到了较高的识别正确率。 关键词：B109网页识别；相似度计算；网页分类 中图分类号：TP39l 文献标识码：A of ontheclassincationandidenti6cation Study Blogpages zI也NG Hao Di，ZHAOTie-jun，YU De—quan，ZHANG Ins吐tIlte 150001，alina) (MOE—MSKeyI矗bora呻0fNanlralLanguageProcessing蛆dSp∞ch，HafbinofRchllolo鼢H圳，in AbStmct：hIorderto痂ldan卸tomaticto f如monlerWeb fbrthecontentex把acdon wayrecoglli髓tbeBlogpages pages of onler tothech粼蜘sticof basic andideaSin me王1109pages蚰dresearches．Acc溅g B109pages，someconc印ts waLs ontheS劬c一 nleareaof was anoVel删油odontlleide栅calionof based B109 descmed，锄d Blogpagesproposed 眦ofthe and resul协showethala resuhc锄beacllieVedill Blogpageskeywords．TheexpeIimental lligh precision． classmcation Keywords：Blogpagesiden慨a虹0n；silIlilaIi哆complldng；Blogpages 网页，包含Blog网站主页、导航信息、广告、B109 1 引言 登录信息等，一些广义的Blog网页对于研究工作 没有太大的意义，需要将其过滤掉，这是本文所谓 Blog也称为w曲log(指人时对应于B1099er)， 中文译名为“博客”，特指一种区别于其他网页的网 的