基于分块的新闻网页信息抽取算法

• 作者: 姬鑫 钟诚
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 网页信息抽取 模板页 分块 相同噪音块 同类噪音块 特殊噪音块
• 年，卷（期）: 2015,（4）
• 所属期刊栏目: 信息技术交流
• 页码范围: 317-322
• 页数: 6页
• 分类号: TP393.4|TP391.1
• 字数: 8407字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2015.04.074

摘要

为了更彻底地清洗网页噪音，减少网页噪音对新闻内容抽取准确率的影响，提出基于模板页的相同噪音块清洗方法和基于class属性的同类噪音块和特殊噪音块清洗方法；在此基础上，利用新闻网页在内容布局结构上的特征，提出基于起始块和终止块的新闻内容抽取方法。实验结果表明，与已有的算法相比，提出的方法抽取准确率更高，能够同时适应正文内容存放在单块和多块的情形，并且有效地解决了正文内容较短时的抽取问题。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	钟诚	广西大学计算机与电子信息学院	195	1023	14.0	21.0
2	姬鑫	广西大学计算机与电子信息学院	2	11	2.0	2.0