一种抽取新闻网页结构化数据的方法

• 作者: 李先国 李素 陈爽 陈福
• 来源期刊: 燕山大学学报
• 学科: 工学
• 关键词: 信息抽取 HTML解析 DOM 标签补偿 噪声标记
• 年，卷（期）: 2007,（6）
• 页码范围: 485-488
• 页数: 4页
• 分类号: TP311
• 字数: 3042字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-791X.2007.06.004

摘要

根据统计结果,从阅读角度对网页页面空间的构成进行了噪声与信息实体的划分与判断,改进了传统的DOM模型,增加了层次与样式等属性作为噪声判断的依据,逐级降噪,并利用新闻的标题、时间等外显特性,提出并实现了一种结合正向直接抽取与反向过滤降噪抽取新闻网页得到结构化数据的方法,并使用这种方法进行了大范围的效果验证.验证结果表明:这种方法信息抽取准确率高,对中英文新闻网页都有良好的适用性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李素	北京工商大学计算机学院	21	274	7.0	16.0
2	李先国	西北工业大学计算机学院	38	352	9.0	17.0
3	陈爽	西北工业大学计算机学院	8	18	3.0	4.0
4	陈福	北京科技大学信息工程学院	11	44	3.0	6.0