基于通配符节点话题权重的Web新闻抽取方法

• 作者: 张恺航 张闯 徐克付
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 内容抽取 通配符节点 最大相容类 Otsu算法 话题生成
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 开发研究与工程应用
• 页码范围: 275-280
• 页数: 6页
• 分类号: TP391.1
• 字数: 5125字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0050057

摘要

现有Web新闻内容自动抽取方法多数未考虑文本中的话题特征,容易将样式排版与正文相似的噪音文本识别为正文内容.为此,提出基于通配符节点话题权重的抽取方法.将HTML文档解析成DOM树后,匹配DOM树对应的通配符树,并计算每个通配符中的话题权重,将高权重话题的通配符节点所覆盖的文本节点识别为正文节点.实验结果表明,与传统新闻抽取方法相比,该方法能降低Web新闻内容边缘噪音文本的错误识别率,抽取的新闻内容准确率更高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张闯	中国科学院信息工程研究所	34	95	6.0	9.0
2	张恺航	中国科学院信息工程研究所	4	3	1.0	1.0
6	徐克付	广州大学网络空间先进技术研究院	1	0	0.0	0.0