一种基于信息熵的Web页面主题信息抽取方法

• 作者: 徐学洲 李爱玲 贺智平
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: Web 抽取 STU-DOM树 信息熵
• 年，卷（期）: 2007,（4）
• 所属期刊栏目: 数据库与信息处理
• 页码范围: 164-166
• 页数: 3页
• 分类号: TP311
• 字数: 4204字
• 语种: 中文
• DOI: 10.3321/j.issn:1002-8331.2007.04.050

摘要

提出了一种剪枝信息熵增较大结点的信息抽取方法.通过对HTML文档解析来构造DOM树,根据配置过滤掉不需处理的相关内容并建立语义模型树,最后对熵增超过阈值的结点进行剪枝并输出抽取的主题信息页面,初步实验结果验证了用这种方法进行Web页面信息抽取的有效性.方法的数学模型简单可靠,基本不需要人工干预即可完成主题信息抽取.可应用于Web数据挖掘系统以及PDA等移动设备的信息获取方面.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	徐学洲	西安电子科技大学软件工程研究所	44	227	8.0	12.0
2	李爱玲	西安电子科技大学软件工程研究所	9	25	3.0	5.0
4	贺智平	西安电子科技大学软件工程研究所	4	25	3.0	4.0