基于DOM的网页主题信息的抽取

• 作者: 刘军 张净
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: DOM 主题 信息抽取 分块 剪枝
• 年，卷（期）: 2010,（5）
• 所属期刊栏目: 应用技术与研究
• 页码范围: 188-190
• 分类号: TP3
• 字数: 2616字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386X.2010.05.056

摘要

随着Internet的发展,Web页面信息量不断加大,信息密集程度不断加强.但Web页面的主题信息通常不太明确,抽取主题信息也比较困难.针对这一难题,提出一种算法:构建文档对象模型DOM(Document Object Model)树,然后针对HTML半结构特征的不足,为DOM添加显示、语义(链接数、非链接文字数、高度、宽度)等属性,并提出一种聚类规则来对其进行分块,最后对其进行剪枝,删除掉无用的信息,提取主题信息.实验表明,该方法能够准确抽取主题信息.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘军	武汉理工大学计算机科学与技术学院	54	673	12.0	24.0
2	张净	武汉理工大学计算机科学与技术学院	1	33	1.0	1.0