一种基于标点密度的网页正文提取方法

• 作者: 杨沐昀 杨钦
• 来源期刊: 智能计算机与应用
• 学科: 工学
• 关键词: DOM 标点密度 文本密度 正文提取
• 年，卷（期）: 2015,（4）
• 页码范围: 42-44,47
• 页数: 4页
• 分类号: TP312
• 字数: 4470字
• 语种: 中文

摘要

本文提出了一种基于DOM树的正文提取方法.该方法是在基于DOM树的文本密度的正文提取算法的框架上改进而来的.基于对文言文翻译网站的观察,本方法使用标点符号密度取代原方法的文本密度.通过随机选取50篇文言文翻译网页作为测试集,本文提出的方法获得了更好的准确率、召回率和F值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨沐昀	哈尔滨工业大学计算机科学与技术学院	35	429	9.0	20.0
2	杨钦	哈尔滨工业大学计算机科学与技术学院	1	9	1.0	1.0