位置:成果数据库 > 期刊 > 期刊详情页
基于相似度的网页标题抽取方法
  • ISSN号:1003-0077
  • 期刊名称:中文信息学报
  • 时间:0
  • 页码:32-37
  • 分类:TP391[自动化与计算机技术—计算机应用技术;自动化与计算机技术—计算机科学与技术]
  • 作者机构:[1]郑州大学信息工程学院,河南郑州450001
  • 相关基金:国家自然科学基金资助项目(60970083); 国家社会科学基金资助项目(09BTQ027)
  • 相关项目:规则与统计相结合的现代汉语虚词用法自动识别研究
中文摘要:

目前网页标题的抽取方法大多结合HTML结构和标签特征进行抽取,但是这些方法并没有考虑标题与正文信息之间内容上的联系。该文提出一种基于相似度的网页标题抽取方法,该方法利用网页标题与正文信息之间的关系,通过计算语言"单位"之间的相似度和对应的权值,并引入HITS算法模型对权值进行调整,根据特定的选取方法抽取出真实标题。实验结果表明,该方法不仅对"非标准网页"的抽取达到满意的效果,而且对"标准网页"具有较高的泛化能力。

英文摘要:

Most of the methods for title extraction from HTML documents are based on the structure of HTML document or the features of label.They do not considered the correlation between the title and the content.This paper proposes a method of title extraction from HTML documents based on similarity,which makes full use of the correlation between the title and the main body.The similarity between units are calculated and adjusted by the HITS algorithm.Then the "real title" is extracted in a series of steps.Experimental results show that this method performs well for "nonstandard HTML document" and has good generalization ability for "standard HTML document".

同期刊论文项目
同项目期刊论文
期刊信息
  • 《中文信息学报》
  • 北大核心期刊(2011版)
  • 主管单位:中国科学技术协会
  • 主办单位:中国中文信息学会 中国科学院软件研究所
  • 主编:孙茂松
  • 地址:北京海淀中关村南四街4号中科院软件所
  • 邮编:100190
  • 邮箱:jcip@iscas.ac.cn
  • 电话:010-62562916
  • 国际标准刊号:ISSN:1003-0077
  • 国内统一刊号:ISSN:11-2325/N
  • 邮发代号:
  • 获奖情况:
  • 国内外数据库收录:
  • 日本日本科学技术振兴机构数据库,中国中国科技核心期刊,中国北大核心期刊(2004版),中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版),中国北大核心期刊(2000版)
  • 被引量:9136