基于正文特征及网页结构的主题网页信息抽取

• 作者: 刘玮楠 段晓丽 王宇 谷静
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 正文特征 标签信息 正文抽取
• 年，卷（期）: 2012,（30）
• 所属期刊栏目: 数据库、信号与信息处理
• 页码范围: 151-156
• 分类号: TP391
• 字数: 6707字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2012.30.032

摘要

Web正文信息抽取是信息检索、文本挖掘等Web信息处理工作的基础.在统计分析了主题网页的正文特征及结构特征的基础上,提出了一种结合网页正文信息特征及HTML标签特点的主题网页正文信息抽取方法.在将Web页面解析成DOM树的基础上,根据页面DOM树结构获取正文信息块,分析正文信息块块内噪音信息的特点,去除块内噪音信息.实验证明,这种方法具有很好的准确率及召回率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王宇	大连理工大学管理科学与工程学院	75	627	15.0	21.0
2	段晓丽	大连理工大学管理科学与工程学院	2	14	1.0	2.0
3	谷静	中国环境管理干部学院经济学系	7	57	3.0	7.0
4	刘玮楠	大连理工大学管理科学与工程学院	1	14	1.0	1.0