Release Time:2019-03-10  Hits:

Indexed by: Journal Article

Date of Publication: 2012-01-01

Journal: 情报学报

Included Journals: CSSCI、ISTIC、PKU

Volume: 31

Issue: 1

Page Number: 40-46

ISSN: 1000-0135

Key Words: 网页结构;链路相似度;结构相似度;链路压缩树

Abstract: 大多网页都是基于服务器端模板生成的,所以在同一个站点经常看到很多外观相同内容相似的网页.HTML是一种半结构化的标记语言,每个HTML网页都对应一个DOM树结构.网页的相似性表现结构上就是结构相似性.研究网页结构相似性的方法有很多,本文从DOM树中的链路结构的角度来研究不同网页间的相似性,并提出了基于链路压缩树的结构相似度度量模型.本文中的计算方法都用Python语言实现.通过实验,本文使用多种方法对不同网页间的相似度进行了计算和分析,实验数据表明,基于链路压缩树的结构相似度度量模型具有较好的适用性,其速度是传统方法不可比拟的.