基于网页结构与链接关系的中文文本分类方法

• 作者: 蒋宗礼 郭晓
• 来源期刊: 现代电子技术
• 关键词: 中文文本分类 HTML结构 链接关系 向量空间模型
• 年，卷（期）: 2010,（22）
• 页码范围: 54-56,63
• 分类号: TN911-34|TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1004-373X.2010.22.018

摘要

提出一种通过综合考虑网页的HTML结构信息以及网页间的链接关系,修改网页文本在向量空间模型表示中的权值,对网页进行分类的方法.考虑到页面里处在不同HTML标记下的内容具有不同的语义含义,某些特殊标记下的内容具有较重要的意义,对网页的分类起较大的作用,因此对不同标记下的内容赋以不同的权值,可以提高分类效果.考虑到页面正文中链接指向的页面内容与原网页相关度较高,通过综合考虑这些页面的内容,可以有效加强类别关键词的权值,减少噪声,提高分类效果.经过实验证明这一方法提高了分类结果的F1值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	蒋宗礼	北京工业大学计算机学院	103	997	17.0	27.0
2	郭晓	北京工业大学计算机学院	1	3	1.0	1.0