计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (1): 140-143.DOI: 10.3778/j.issn.1002-8331.2009.01.044
孟 军,刘秋水,王秀坤
MENG Jun,LIU Qiu-shui,WANG Xiu-kun
摘要: 提出了一种带有节点频度的扩展DOM树模型—BF-DOM树模型(Block node Frequency-Document Object Module),并基于此模型进行网页正文信息的抽取。该方法通过向DOM树的某些节点上添加频度和相关度属性来构造文中新的模型,再结合语义距离抽取网页正文信息。方法主要基于以下三点考虑:在同源的网页集合内噪音节点的频度值很高;正文信息一般由非链接文字组成;与正文相关的链接和文章标题有较近的语义距离。针对8个网站的实验表明,该方法能有效地抽取正文信息,召回率和准确率都在96%以上,优于基于信息熵的抽取方法。