原文服务方: 计算机应用研究       
摘要:
针对网页噪声和网页非结构化信息抽取模板生成复杂度高的问题,提出了一种快速获取非结构信息抽取模板的算法.该算法先对网页噪声进行预处理,将其DOM树结构进行标签hash映射,通过自动训练的阈值快速判定网页的主要部分,根据数据块中的嵌套结构获取网页文本抽取模板.对不同类型网站的实验表明,该方法快速且具有较高的准确度.
推荐文章
一种自动分类的网页搜索排序算法
领域向量
BM25
softmax回归分类
网页排序
一种基于特征符号的网页主题信息抽取方法
生成树模型
特征符号
相关度
主题提取
一种基于混沌粒子群算法的网页分类规则抽取方法
网页分类
规则抽取
混沌粒子群
基于文本块密度和标签路径覆盖率的网页正文抽取
正文抽取
文本块密度
标签路径覆盖率
特征融合
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 一种基于模板的快速网页文本自动抽取算法
来源期刊 计算机应用研究 学科
关键词 噪声 非结构化 文本抽取 模板 阈值
年,卷(期) 2009,(7) 所属期刊栏目 系统应用开发
研究方向 页码范围 2646-2649
页数 4页 分类号 TP391
字数 语种 中文
DOI 10.3969/j.issn.1001-3695.2009.07.068
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 李大学 重庆邮电大学计算机学院 11 149 6.0 11.0
2 陈治昂 重庆邮电大学计算机学院 3 36 2.0 3.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (6)
共引文献  (115)
参考文献  (5)
节点文献
引证文献  (30)
同被引文献  (38)
二级引证文献  (100)
1967(1)
  • 参考文献(0)
  • 二级参考文献(1)
1999(1)
  • 参考文献(1)
  • 二级参考文献(0)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(1)
  • 参考文献(1)
  • 二级参考文献(0)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(2)
  • 参考文献(1)
  • 二级参考文献(1)
2006(3)
  • 参考文献(1)
  • 二级参考文献(2)
2008(1)
  • 参考文献(1)
  • 二级参考文献(0)
2009(1)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(1)
  • 二级引证文献(0)
2009(1)
  • 引证文献(1)
  • 二级引证文献(0)
2010(3)
  • 引证文献(3)
  • 二级引证文献(0)
2011(8)
  • 引证文献(1)
  • 二级引证文献(7)
2012(18)
  • 引证文献(7)
  • 二级引证文献(11)
2013(22)
  • 引证文献(7)
  • 二级引证文献(15)
2014(17)
  • 引证文献(7)
  • 二级引证文献(10)
2015(18)
  • 引证文献(2)
  • 二级引证文献(16)
2016(11)
  • 引证文献(1)
  • 二级引证文献(10)
2017(14)
  • 引证文献(0)
  • 二级引证文献(14)
2018(13)
  • 引证文献(1)
  • 二级引证文献(12)
2019(4)
  • 引证文献(0)
  • 二级引证文献(4)
2020(1)
  • 引证文献(0)
  • 二级引证文献(1)
研究主题发展历程
节点文献
噪声
非结构化
文本抽取
模板
阈值
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机应用研究
月刊
1001-3695
51-1196/TP
大16开
1984-01-01
chi
出版文献量(篇)
21004
总下载数(次)
0
论文1v1指导