基于节点类型标注的网页主题信息抽取方法

• 作者: 周国民 王健 谢方立
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: DOM 节点类型标注 主题信息抽取
• 年，卷（期）: 2016,（z2）
• 所属期刊栏目: 智能计算
• 页码范围: 31-34,49
• 页数: 5页
• 分类号: TP391
• 字数: 5409字
• 语种: 中文

摘要

提出一种基于DOM节点类型标注的网页主题信息抽取的方法.首先依据网页中噪声存在的形式,将DOM节点划分为4种类型:文本型、图片型、链接型和可忽略型,并给出节点内聚度的计算方法.通过给DOM节点添加类型和内聚度两个属性,在正文提取阶段选取内聚度大于阈值的文本型节点,最后整合成网页主题信息.将该方法与另外3款网页正文提取工具做对比实验,结果显示该方法在F1指标上为95.1％,比Evemote工具高出0.3％,比YNote工具高出5.01％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周国民	中国农业科学院农业信息研究所	127	742	15.0	20.0
2	王健	中国农业科学院农业信息研究所	92	516	12.0	19.0
3	谢方立	中国农业科学院农业信息研究所	1	6	1.0	1.0