基于统计的自动化Web新闻正文抽取

• 作者: 林子熠 沈备军
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: Web新闻 正文抽取 自动化标签检测
• 年，卷（期）: 2010,（12）
• 页码范围: 232-235
• 分类号: TP2
• 字数: 4794字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386X.2010.12.074

摘要

目前有多种Web新闻正文抽取算法,其中,基于树编辑距离的算法需要假设整个网页有统一模板,基于包装器的算法需要大量训练集,面向感知的提取算法适应性强,但是效率相对较低.提出了基于统计的Web新闻正文自动抽取方法,能自动检测分割网页功能模块的HTML标签,然后基于该标签解析网页,找出正文.方法不需要大量训练集,不需要假设有统一的网页模板,有较高的抽取速度,能较好地满足大多数新闻搜索服务应用的需求.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	沈备军	上海交通大学软件学院	36	269	9.0	15.0
2	林子熠	上海交通大学软件学院	2	16	1.0	2.0