基于标签密度的自适应正文提取方法

• 作者: 孙皓 董守斌
• 来源期刊: 郑州大学学报(理学版)
• 学科: 工学
• 关键词: 标签密度 锚文本密度 正文信息 网页去噪
• 年，卷（期）: 2009,（1）
• 页码范围: 44-47
• 页数: 4页
• 分类号: TP391
• 字数: 2827字
• 语种: 中文

摘要

提出一种新颖的网页去噪方法,利用标签和锚文本在网页中不同部分的分布差异来判断是否为正文信息,同时根据正文部分的不同区域标签的分布波动,算法自我学习并调整相关阈值,可有效去除网页噪音.该方法简单易行,网页正文信息提取及网页分类的实验均表明了该方法是有效的.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	董守斌	华南理工大学广东省计算机网络重点实验室	60	696	10.0	25.0
2	孙皓	华南理工大学广东省计算机网络重点实验室	1	9	1.0	1.0