本文已被：浏览 1566次 下载 3250次
Received:November 08, 2009 Revised:December 09, 2009
Received:November 08, 2009 Revised:December 09, 2009
中文摘要: 随着CSS+DIV布局方式逐渐成为网页结构布局的主流，对此类网页进行高效的主题信息抽取已成为专业搜索引擎的迫切任务之一。提出一种基于DIV标签树的网页主题信息抽取方法，首先根据DIV标签把HTML文档解析成DIV森林，然后过滤掉DIV标签树中的噪声结点并且建立STU-DIV模型树，最后通过主题相关度分析和剪枝算法，剪掉与主题信息无关的DIV标签树。通过对多个新闻网站的网页进行分析处理,实验证明此方法能够有效地抽取新闻网页的主题信息。
中文关键词: 主题信息抽取 DIV标签树 STU-DIV模型树 主题相关度 剪枝算法
Abstract:Since CSS+DIV Topological Mode has become the major trend of the structural layout of web pages, the efficient extraction of the topic information in these web pages has become one of the urgent tasks for all professional surfing engines. This paper puts forward a new way of extracting the topic information in web pages based on the DIV tag-tree. It divides HTML files into DIV-forest with the help of DIV-tag. Then it filters the noise nodes in DIV tag-trees and sets up STU-DIV model-trees. Finally, it crops the DIV tag-trees irrelevant to the topic information by Topic Corelation Analysis and Cut-Tree Algorithm. It proves that this method can efficiently extract the topic information in web pages by analyzing several news web pages .
keywords: extraction of topic information DIV tag-tree STU-DIV model-tree topic corelation Cut-Tree algorithm
文章编号： 中图分类号： 文献标志码：
基金项目:国家自然科学基金(60970098,60803024)
| Author Name | Affiliation |
| OU YANG Liu-Bo | 湖南大学 软件学院 湖南 长沙 410082 |
| YANG Zhu | |
| YI Xian |
| Author Name | Affiliation |
| OU YANG Liu-Bo | 湖南大学 软件学院 湖南 长沙 410082 |
| YANG Zhu | |
| YI Xian |
引用文本：
欧阳柳波,杨柱,易显.基于DIV标签树的网页主题信息抽取方法①.计算机系统应用,2010,19(7):193-196
OU YANG Liu-Bo,YANG Zhu,YI Xian.A New Way of Extracting the Topic Information in Web Pages Based on DIV Tag-tree.COMPUTER SYSTEMS APPLICATIONS,2010,19(7):193-196
欧阳柳波,杨柱,易显.基于DIV标签树的网页主题信息抽取方法①.计算机系统应用,2010,19(7):193-196
OU YANG Liu-Bo,YANG Zhu,YI Xian.A New Way of Extracting the Topic Information in Web Pages Based on DIV Tag-tree.COMPUTER SYSTEMS APPLICATIONS,2010,19(7):193-196
