点击次数：

论文类型：期刊论文

发表时间：2009-01-01

发表刊物：计算机工程与应用

收录刊物：PKU、ISTIC、CSCD

卷号：45

期号：1

页面范围：140-143

ISSN号：1002-8331

关键字：信息提取;带有节点频度的文档对象模型树;节点频度;语义距离

摘要：提出了一种带有节点频度的扩展DOM树模型-BF-DOM树模型(Block node Frequency-Document Object Module),并基于此模型进行网页正文信息的抽取.该方法通过向DOM树的某些节点上添加频度和相关度属性来构造文中新的模型,再结合语义距离抽取网页正文信息.方法主要基于以下三点考虑:在同源的网页集合内噪音节点的频度值很高;正文信息一般由非链接文字组成;与正文相关的链接和文章标题有较近的语义距离.针对8个网站的实验表明,该方法能有效地抽取正文信息,召回率和准确率都在96%以上,优于基于信息熵的抽取方法.