一种基于标签路径聚类的文本信息抽取算法

• 作者: 刘云峰
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: Xpath 网页分割 信息抽取 聚类 阈值
• 年，卷（期）: 2010,（11）
• 页码范围: 199-202
• 分类号: TP3
• 字数: 3843字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386X.2010.11.063

摘要

针对网页噪音和网页非结构化信息抽取复杂度高的问题,提出一种基于标签路径(XPATH)聚类的文本信息抽取算法.该算法首先对网页噪音预处理,根据网页的DOM树结构进行标签路径聚类,通过自动训练的阈值和网页分割算法快速判定网页的关键部分,根据数据块中的嵌套结构获取网页文本抽取模板.对不同类型网站实验表明,该方法获得快速和较高准确度的效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘云峰	山西工程职业技术学院网络电教中心	12	29	3.0	4.0