原创力文档- 1、本文档共5页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
模板化网页主题信息的提取方法_欧健文.pdf
( )
ISSN 清华大学学报 自然科学版 2005 年 第 45 卷 第 1 期 439
S
CN 112223N ( ) , 2005, . 45, . 1
J T singhu a U n iv Sci T ech V o l N o S
模板化网页主题信息的提取方法
欧健文, 董守斌, 蔡 斌
(华南理工大学 广东省计算机网络重点实验室, 广州 5 10640)
摘 要: 为了消除网页噪音, 有效地提取基于模板的网页主 息, 已经成为当前应用和研究领域的一个重要课题。
题信息, 提出了一种新的信息提取方法。该方法采用机器 自 [ 1 ]
张志刚等 提出以一组启发式规则为基础, 利用信
动学习方式生成网页集的模板; 以网页链接关系中的锚点 息检索的方法以及W eb 网页的特征, 提取网页的主
文本作为提取 目标对模板进行标记, 生成对应模板的提取规 [2 ]
题以及主题相关的内容。常育红等 用标记树表示
则; 依据模板的提取规则对网页主题信息进行提取。对国内
页面文件, 采用自底向上的算法, 抽取出具有不同语
2 588 个新闻网页进行了检测。实验结果表明, 该方法可以快
义的页面内容, 提出用树形层次结构表示它们之间
速、有效地提取模板生成 的网页集主题信 息, 准确率达
[3 ]
( ) 关系的方法。荆涛和左万利 利用网页中的布局信
99. 5% 。将该方法应用于搜索引擎系统 木棉检索 中, 与原
息对页面进行划分, 并在此基础上去除噪音。
来的检索系统相比较, 索引文件的大小减少约 50% , 检索的 W an g
速度和精确度也得到提高。 和 [4 ] 提 出 (
L o chov sky
文档评论（0）