信息抽取中网站结构树生成方法的研究

• 作者: 孙悦红 朱英 瞿有利 陈谊
• 来源期刊: 北京工商大学学报（自然科学版）
• 学科: 工学
• 关键词: 信息抽取 网站 结构图 结构树 编辑距离
• 年，卷（期）: 2006,（5）
• 所属期刊栏目: 计算机科学与工程
• 页码范围: 54-58
• 页数: 5页
• 分类号: TP391
• 字数: 3455字
• 语种: 中文
• DOI: 10.3969/j.issn.1671-1513.2006.05.014

摘要

随着Internet技术的发展和普及,Web上的信息量猛增,使信息抽取更具有挑战性.从网站的拓扑结构入手,提出了信息抽取中网站结构树的生成算法,该算法首先根据网页结点URL所在目录的层次关系,去掉网站结构图中的部分回溯边;然后在宽度优先遍历的过程中去掉已经遍历过的重复结点,生成网站结构树.最后引入编辑距离对算法生成的网站结构树与实际的网站结构树的相似程度进行评价,两棵树的相似程度比较高,均达到了90%以上.利用生成的网站结构树可以对网站的内容页面(即结构树的叶子结点)进行聚类,最后进行信息抽取,大大提高抽取的准确率与召回率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈谊	北京工商大学计算机学院	81	684	13.0	23.0
2	孙悦红	北京工商大学计算机学院	20	64	5.0	6.0
3	瞿有利	北京交通大学计算机与信息技术学院	19	179	6.0	13.0
4	朱英	北京工商大学计算机学院	1	4	1.0	1.0