一种通用HTML网页主题信息提取方法  

A General Approach to Extracting Topical Information in HTML Pages

作　　者：许文[1] 都云程[1] 李渝勤[1] 施水才[1] 

机构地区：[1]北京信息科技大学中文信息处理研究中心,北京100101

出　　处：《现代图书情报技术》2007年第1期40-43,共4页New Technology of Library and Information Service

基　　金：国家自然科学基金项目"Web数据挖掘技术研究"(项目编号:60272084);北京市教育委员会科技发展计划重点项目"面向大规模真实文本的数据挖掘技术"(项目编号:KZ200310772013);北京市教委项目"中文垃圾邮件过滤和追踪技术研究"(项目编号:KM200510772008);"数字内容的安全身份认证与版权保护技术研究"(项目编号:KM200610772008)的研究成果之一

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。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.

关 键 词：DOM 信息提取 分块 相关度 

分 类 号：TP393.092[自动化与计算机技术—计算机应用技术]