基于DOM的网页主题信息自动提取研究.pdfVIP

第41卷第10期 计算机研究与发展 Vol41．N。．10 2004年10月 OF JOURNALCOMPUTERRESEARCHANDDEvEL()PMENTOct2004 基于DOM的网页主题信息自动提取 王琦1唐世渭“2杨冬青2王腾蛟2 1(北京大学视觉与听觉信息处理国家重点实验室北京100871) 2(北京大学计算机科学与技术系北京100871) (qi．wang@db．pku．evlu．cn) 摘要weh页面所表达的主要信息通常隐藏在大量无关的结构和文宁中，使用户不能迅速获取主题信息，限制了web 的可用性，信息提取有助于解决这一闯题．基于DOM规范，针对HTML的半结构化特征和缺乏语义描述的不足．提出 枝，能够准确地提取出主题信息．方法不依赖于信息源，而且不改变源网页的结构和内容，是一种自动、可靠和通用的方 法．具有可观的应用价值，可应用于PAD和手机上的web浏览以及信息检索系统． DOM树；相关度 关键词IX)M；信息提取；分块；SFU；STU树；STU 13 中图法分类号，lP311 of DOM-BasedAutomaticExtraction InformationfromWeb Topical Pages WANG WANG Qil，TANGShi—Weil一，YANG1％ng—Qin92，andTeng—Jia02 100871) 1(NationallzdloratoryonMachineP∞ception，PekingUniversity，BeJjing 100871) 2(DepartmentofC“mputer．|％ienceandT“H础氆7，P跌ingUniversity，Beijing resourceof its its AbstractⅥkbiSavast information，but limits main representationavailability：the infonnationina’web is hidden featuressuchas and amongunimportant images pagealways unnecessary extraneouslinks．andthismakesitdifficuhfortheusersto the acquiretopical tolocatetheinfonnationofinterest．Anew extractioncan theusers extraction basedon help methodology DOMis IX)MtreestoSrU一Ⅸ)Mtreesandthen themwithsome propomdbytransforming processing treecanbeviewedasaDOMtreewithsome