基于图文有效信息量的网页正文定位  

Webpage Main Text Localization Based on Image and Text Effective Information Content

作　　者：梁正友[1] 欧杰[1] 俞闽敏[1] 

机构地区：[1]广西大学计算机与电子信息学院,南宁530004

出　　处：《计算机工程》2011年第23期276-278,共3页Computer Engineering

基　　金：广西自然科学基金资助项目(桂科自0832059)

摘　　要：在现有的网页抽取技术中,正文定位方法仅考虑网页文本信息,当正文图片信息较多、文本信息偏少时,容易出现偏差,且定位准确率较低。针对该问题,从信息论角度出发,结合网页中的文本信息图片信息,设计一种对网页中图片信息量和有效信息量的估算方法,在此基础上,提出一种基于图文信息量的网页正文定位算法。实验结果表明,该算法在不同正文文本量的情况下,均具有较高的定位准确率。Existed main text localization methods in webpage information extraction technologies only consider the text information.Those methods lead to low accuracy when main text contains a few text information and abundant image information.In order to solve this problem,this paper designs a method to estimate the image information and image effective information based on information theory,and presents a novel algorithm for main text of webpage localization based on image and text effective information.Experimental results show that on different main text ratio,this algorithm has higher accuracy.

关 键 词：正文定位 最小正文子树 有效信息率 网页 图文 

分 类 号：N945[自然科学总论—系统科学]