| 一种通用HTML网页主题信息提取方法* |
| |
| 引用本文： | 许文,都云程,李渝勤,施水才.一种通用HTML网页主题信息提取方法*[J].现代图书情报技术,2007,2(1):40-43. |
| |
| 作者姓名： | 许文 都云程 李渝勤 施水才 |
| |
| 作者单位： | 北京信息科技大学中文信息处理研究中心,北京,100101 |
| |
| 基金项目： | 国家自然科学基金;北京市教委科技发展计划项目;北京市科委科研项目;北京市教委科研项目 |
| |
| 摘 要： | 采用DOM规范，把HTML网页表示成树结构，对不同模板的HTML页面“主题”信息提取进行研究和分析，提出一种新的结点主题相关性判定方法，依据此方法判定出要抽取的主题内容，并删除无关内容，结果输出只含主题信息的HTML文档。
|
| 关 键 词： | 信息提取 分块 相关度 |
| 收稿时间： | 2006-10-09 |
| 修稿时间： | 2006-10-09 |
A General Approach to Extracting Topical Information in HTML Pages |
| |
| Xu Wen,Du Yuncheng,Li Yuqin,Shi Shuicai.A General Approach to Extracting Topical Information in HTML Pages[J].New Technology of Library and Information Service,2007,2(1):40-43. |
| |
| Authors: | Xu Wen Du Yuncheng Li Yuqin Shi Shuicai |
| |
| Abstract: | By researching how to extract the topical contents in different kinds of templates of Web pages, this paper introduces a new extraction methodology based on DOM. The approach transforms HTML documents into DOM trees. According to the method, the topical contents are extracted and topic-unrelated content are deleted. The result of the approach represents the HTML document which only contains the topic information. |
| |
| Keywords: | DOM |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
| 点击此处可从《现代图书情报技术》浏览原始摘要信息 |
| 点击此处可从《现代图书情报技术》下载免费的PDF全文 |
