Web页面信息块的自动分割

• 作者: 于浩 徐国伟 瞿有利 西野文人
• 来源期刊: 中文信息学报
• 学科: 工学
• 关键词: 计算机应用 中文信息处理 Web页面 信息提取 信息块
• 年，卷（期）: 2004,（1）
• 页码范围: 6-13
• 页数: 8页
• 分类号: TP391
• 字数: 5242字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-0077.2004.01.002

摘要

随着Internet的发展,Web页面数量的急剧增加,如何快速有效地获取信息变得越来越重要.一类Web页面往往包含着多个信息单元,它们在展现上排列紧凑、风格相似,在HTML语法上具有类似的模式,例如一个BBS页面上多个发言,每个信息被称为一个信息块.对于信息抽取、信息过滤等应用,需要首先将原始页面中分割为若干合适的信息块以便于后续的处理.本文提出了一种自动将Web页面分割为信息块的方法:首先通过创建Web页面结构化的HMTL分析树,然后根据包含有效文本量等确定包含信息块的子树,最后根据子树深度信息利用2-rank PAT算法进行分割.通过对BBS页面的信息块抽取实验,证明了该方法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	西野文人		3	71	2.0	3.0
2	于浩		7	335	5.0	7.0
3	瞿有利		1	45	1.0	1.0
4	徐国伟		1	45	1.0	1.0