基于网页坐标系的主题信息块判定研究.pdfVIP

年 月 湛江师范学院学报 ， ２０ １ ４ １ ２ Ｄｅｃ ２０ １ ４ 　　 第 卷第 期 Ｖｏｌ３ ５ ３ ５ ６ ＪＯＵＲＮＡＬ ＯＦ ＺＨＡＮＪＩＡＮＧ ＮＯＲＭＡＬ ＵＮＩＶＥＲＳＩＴＹ Ｎｏ６ 　 基于网页坐标系的主题信息块判定研究 张 力 　　 （浙江师范大学信息化办公室，浙江金华 ３２ １ ００４） 摘 ：在网页坐标系中运用 （ ）理论，对网页中信息块的重要性进行判 ＶＩＰＳ Ｖｉｓｉｏｎ－ｂａｓｅｄ ａ ｅ ｓｅ ｍｅｎｔａｔｉｏｎ 　　 　 ｐ ｇ ｇ 定 该方法利用网页创建过程中的设计习惯和人类浏览信息过程中的视觉焦点判定，按九宫格划分页面区域分布 ． 并在此基础上识别主题信息，论文最后选取新闻类型网站网页，按不同页面分割比例检测了网页信息块空间层次 和主题信息块提取间的关系． 关键词：网页；九宫格； ；关键信息识别；信息去噪 ＶＩＰＳ 中图分类号： 文献标志码： 文章编号： （ ） ＴＰ３ ９ ３０９２ Ａ １ ００６ －４７０２ ２０ １ ４ ０６ －０ １ ０６ －０８ 　　　　 　　　　 １ 引 言 　 　 网页是 信息标引、 信息检索的基本对象，作为一个集合体，网页从内容格式可分为视频、音 Ｗｅｂ Ｗｅｂ 频、图片和文本等；从内容有效性可分为关键信息和非关键信息；从所表达的内容侧重点出发，则可分为导航 信息、版权信息、主题信息、广告信息等 出于不同的目的，人们需要对网页信息进行去噪和抽取，获得所需信 ． 息，即网页信息提取． 对于 信息标引、 信息检索而言，网页信息抽取最重要的是屏蔽信息噪音的干扰，获取网页的 Ｗｅｂ Ｗｅｂ 正文内容并从中提取正确的标引词，使用户能准确定位到所需网页 目前，现有的技术分别从知识工程、机器 ． ［ ］ 学习、页面结构等角度对 信息抽取和去噪进行了探讨和研究 １ －４ 知识工程方法能处理特定领域知识 Ｗｅｂ ． 的信息，大都是基于对自然语言的理解 机器学习方法是通过训练文本，让计算机总结抽取经验，建立抽取模 ． 型，实现特定领域的信息抽取 利用页面结构的信息抽取主要有基于视觉特征技术、基于 树技术、基于 ． ＤＯＭ ［ ］ 网页模板技术等 如微软亚洲研究院的