一种短正文网页的正文自动化抽取方法

• 作者: 俞晓明 刘悦 程学旗 赵岭 郗家贞 郭岩 黎强
• 来源期刊: 中文信息学报
• 学科: 工学
• 关键词: 短正文 正文抽取
• 年，卷（期）: 2016,（1）
• 所属期刊栏目: 信息抽取
• 页码范围: 8-15
• 页数: 8页
• 分类号: TP391
• 语种: 中文

摘要

随着互联网的发展,网页形式日趋多变.短正文网页日益增多,传统的网页正文自动化抽取方式对短正文网页抽取效果较差.针对以上问题,该文提出一种单记录(新闻、博客等)、短正文网页的正文自动化抽取方法,在该方法中,首先利用短正文网页分类算法对网页进行分类,然后针对短正文网页,使用基于页面深度以及文本密度的正文抽取算法抽取正文.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	程学旗	中国科学院计算技术研究所	160	4858	31.0	67.0
2	郭岩	中国科学院计算技术研究所	24	587	11.0	24.0
3	刘悦	中国科学院计算技术研究所	56	565	12.0	22.0
4	赵岭	中国科学院计算技术研究所	46	660	15.0	23.0
5	俞晓明	中国科学院计算技术研究所	16	138	6.0	11.0
6	郗家贞	中国科学院计算技术研究所	1	0	0.0	0.0
7	黎强	中国科学院计算技术研究所	1	0	0.0	0.0