基于网页格式信息量的博客文章和评论抽取模型

• 作者: 廖祥文 曹冬林 白硕 许洪波
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 博客信息抽取 最小正文子树 有效信息率 网页格式信息 视觉信息 切分位置信息量
• 年，卷（期）: 2009,（5）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 1282-1291
• 页数: 10页
• 分类号: TPL81
• 字数: 8639字
• 语种: 中文
• DOI: 10.3724/SP.J.1001.2009.03283

摘要

从信息论的角度出发,提出了-个基于网页格式信息量的博客文章和评论抽取模型.首先,结合网页视觉上的位置信息和文本的有效信息来定位网页正文.其次.利用博客网页中的格式信息作为信息单元并计算每个信息块所包含的格式信息量,通过计算最小切分位置信息量来切分正丈中的文章和评论.该模型具有与语言无关的特点,因此具有-定的通用性.实验结果表明,该模型在博客正文定位和正丈切分方面达到了较高的精确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	许洪波	中国科学院计算技术研究所网络科学与技术研究部	42	988	14.0	31.0
2	白硕	中国科学院计算技术研究所网络科学与技术研究部	50	2124	21.0	46.0
3	曹冬林	中国科学院计算技术研究所网络科学与技术研究部	14	121	4.0	10.0
6	廖祥文	中国科学院计算技术研究所网络科学与技术研究部	4	101	4.0	4.0