使用特征文本密度的网页正文提取

• 作者: 王少康 董科军 阎保平
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 文本密度 文本特征 信息抽取 网页
• 年，卷（期）: 2010,（20）
• 页码范围: 1-3,29
• 分类号: TP393
• 字数: 4531字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2010.20.001

摘要

针对当前互联网网页越来越多样化、复杂化、非规范化的特点,提出了基于特征文本密度的网页正文提取方法.该方法将网页包含的文本根据用途和特征进行分类,并构建数学模型进行比例密度分析,从而精确地识别出主题文本.该方法的时间和空间复杂度均较低.实验显示,它能有效地抽取复杂网页以及多主题段网页的正文信息,具有很好的通用性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	董科军	中国科学院计算机网络信息中心	21	254	10.0	15.0
2	阎保平	中国科学院计算机网络信息中心	162	2464	23.0	43.0