本文關(guān)鍵詞：基于模式匹配的網(wǎng)頁凈化方法

  更多相關(guān)文章： 網(wǎng)頁噪音 網(wǎng)頁凈化 信息提取

【摘要】：新聞網(wǎng)頁主要由大量文字描述構(gòu)成,相比網(wǎng)頁其他區(qū)域的噪音內(nèi)容,其主題內(nèi)容含有大段連貫的文字。根據(jù)這一特點(diǎn)提出一種基于模式匹配的網(wǎng)頁凈化方法,即在網(wǎng)頁源代碼中匹配最長(zhǎng)文字字符串,從而準(zhǔn)確定位主題內(nèi)容源代碼在網(wǎng)頁源代碼中位置,實(shí)現(xiàn)網(wǎng)頁凈化。本方法可去除來自不同網(wǎng)站網(wǎng)頁的噪音內(nèi)容,無需事先訓(xùn)練數(shù)據(jù)集來生成模板,不需要生成網(wǎng)頁DOM樹。對(duì)同構(gòu)、異構(gòu)和不符合XML規(guī)范的網(wǎng)頁凈化,試驗(yàn)證明效果理想且性能穩(wěn)定。
【作者單位】： 重慶師范大學(xué)傳媒學(xué)院/新媒體學(xué)院;重慶師范大學(xué)計(jì)算機(jī)與信息科學(xué)學(xué)院;
【關(guān)鍵詞】： 網(wǎng)頁噪音 網(wǎng)頁凈化 信息提取
【基金】：重慶市教育委員會(huì)高等教育教學(xué)改革項(xiàng)目(No.143031)
【分類號(hào)】：TP393.092;TP391.1
【正文快照】： 網(wǎng)絡(luò)資源大部分都是以網(wǎng)頁形式存在。搜索引擎、Web挖掘、知識(shí)發(fā)現(xiàn)等各種以網(wǎng)頁作為數(shù)據(jù)源的Web應(yīng)用越來越多,這些Web應(yīng)用關(guān)注的主要對(duì)象是網(wǎng)頁中的主題內(nèi)容。但是網(wǎng)頁中還有很多與主題無關(guān)的內(nèi)容,如導(dǎo)航欄、廣告連接、版權(quán)信息等,稱之為噪音內(nèi)容。噪音內(nèi)容給基于主題內(nèi)容的We

【相似文獻(xiàn)】

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前2條

1 張子騫;石正坤;;用磷酸鈾酰氫(HUP)消除空氣中的氚[A];中國(guó)工程物理研究院科技年報(bào)（1998）[C];1998年

2 李月生;夏祥翔;羅平;李小定;;氯氣的危害及其凈化方法[A];第六屆全國(guó)工業(yè)催化技術(shù)及應(yīng)用年會(huì)論文集[C];2009年

，

本文編號(hào)：630486