一种无词典的从Web新闻页面抽取主题的算法.pdfVIP

情 报 学报 !# $%%% %$’( ,-./#01 -2 345 64!#0 -6!537 2-/ 6!5#3!2!6 0#8 3564#!601 !#2-/903!-# !# $%%% %$’( 第 卷第 期 ， 年 月 ， )* $ $) $* )%%+ ) :; =)* #; = $ $) $* 2?@AB@C )%%+ !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 一种无词典的从!# 新闻页面抽取主题的算法$） 蔡 巍 王永成 尹中航 （上海交通大学计算机科学与工程系，上海 )%%%’% ） 摘要 主题抽取是自然语言处理研究的重要问题之一。目前流行的方法是“词典 匹配”，但该方法用于处理 P 动态变化的网页信息时，词典难于及时更新等弊病就表现出来。本文作者在研究中文新闻网页内容、结构特点的 基础上，提出了一种利用 页面结构无需词典的主题抽取算法。我们使用该方法对新华网财经新闻语料 篇 Q? $%%% 进行主题抽取实验，并与手工抽取的主题进行比较，结果表明，重合率高达O’R 以上。 关键词 主题提取 Q? 页面 超链接 $ %’()*(’+ $+,-*)./ 0- 12)’()*3, 45#6() 0-/ !# %’,7 8*).-5) 9.7’557 ， 6BG QG QBNS 7;NSLKNS BNT 7GN UK;NSKBNS （ ， ， ） !#$%’( )* +)’#,% -./(. 0 1(2/(%/(2 -3$(23$/ 4/$))(2 5(/6%7/8 -3$(23$/ )%%%’% $#7)’() A?VLW HW@BLWG;N GI ;N ;J WK GFX;@WBNW X@;?FI GN NBWA@B BNSABS X@;LIIGNS B@B = 3@BTGWG;NB FWK;TI FBGNC TXNT ;N ” ” ， WKIBA@AI P FBWLKGNS F;T = YAW X@;?FI B@GI ZKN X@;LIIGNS !NW@NW NZI AIGNS WKGI FWK;T ;N GI WK GFGWT [;AF ;J WKIBA@AI L;FXB@T ZGWK WK ANGNW@@AXWT F@SNL ;J NZ L;NLXWI GN !NW@NW NB@C B WK WGF = 0LL;@TGNS W; Q? 6KGNI NZI XBS IW@ALWA@， Z X@;X;I B NZ X@BLWGLB BS;@GWKF J;@ HW@BLWGNS IA?VLW J@;F Q? XBSI ZGWK;AW WKIBA@AI = Q T; ， ，