模板化网页主题信息的提取方法_欧健文.pdf

( ) ISSN 清华大学学报 自然科学版 2005 年 第 45 卷 第 1 期 439 S CN 112223N 　 ( ) , 2005, . 45, . 1 J T singhu a U n iv Sci T ech V o l N o S 　 模板化网页主题信息的提取方法 欧健文, 　董守斌, 　蔡　斌 (华南理工大学 广东省计算机网络重点实验室, 广州 5 10640) 摘　要: 为了消除网页噪音, 有效地提取基于模板的网页主 息, 已经成为当前应用和研究领域的一个重要课题。 题信息, 提出了一种新的信息提取方法。该方法采用机器 自 [ 1 ] 张志刚等 提出以一组启发式规则为基础, 利用信 动学习方式生成网页集的模板; 以网页链接关系中的锚点 息检索的方法以及W eb 网页的特征, 提取网页的主 文本作为提取 目标对模板进行标记, 生成对应模板的提取规 [2 ] 题以及主题相关的内容。常育红等 用标记树表示 则; 依据模板的提取规则对网页主题信息进行提取。对国内 页面文件, 采用自底向上的算法, 抽取出具有不同语 2 588 个新闻网页进行了检测。实验结果表明, 该方法可以快 义的页面内容, 提出用树形层次结构表示它们之间 速、有效地提取模板生成 的网页集主题信 息, 准确率达 [3 ] ( ) 关系的方法。荆涛和左万利 利用网页中的布局信 99. 5% 。将该方法应用于有哪些信誉好的足球投注网站引擎系统 木棉检索 中, 与原 息对页面进行划分, 并在此基础上去除噪音。 来的检索系统相比较, 索引文件的大小减少约 50% , 检索的 W an g 速度和精确度也得到提高。 和 [4 ] 提 出 ( L o chov sky