Web網(wǎng)頁去噪及信息提取算法的研究與應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展與普及，越來越多的人依賴于從網(wǎng)絡(luò)上獲取信息，但是為了維護(hù)商業(yè)利益和推廣的需要，網(wǎng)絡(luò)上充斥著大量的噪音信息，嚴(yán)重干擾了人們對信息的獲取，基于此本文提出了一種基于DOM（DocumentObjectModel）樹的網(wǎng)頁信息提取方法。
　　通過對常用的網(wǎng)頁去噪和信息提取方法進(jìn)行分析發(fā)現(xiàn)，某些基于DOM實(shí)現(xiàn)的網(wǎng)頁提取方法并不能判斷不含有超級鏈接的網(wǎng)頁噪音，而且不能處理正文分布在DIV標(biāo)簽中的情況，去噪效果不理想。本文從以下

2、幾個方面解決了上述問題:
　　1.利用VIPS(VisionBasedPageSegmentation)實(shí)現(xiàn)網(wǎng)頁內(nèi)容分塊，有效的劃分開了與網(wǎng)頁主題相關(guān)的信息塊和噪音信息塊。
　　2.將所劃分得到的塊轉(zhuǎn)化為DOM樹形結(jié)構(gòu)。用VIPS方法劃分出來的每個內(nèi)容塊都是一個樹形結(jié)構(gòu)，將網(wǎng)頁進(jìn)行了更加細(xì)粒度的劃分。
　　3.用遞歸方法對DOM樹中存在于標(biāo)簽中的節(jié)點(diǎn)信息進(jìn)行提取，有效的解決了主題信息存在于TABLE和DIV標(biāo)簽中的問題

3、。根據(jù)網(wǎng)頁標(biāo)題與結(jié)點(diǎn)中詞共現(xiàn)頻率以及文本間的相似度實(shí)現(xiàn)網(wǎng)頁正文內(nèi)容的提取。在計(jì)算網(wǎng)頁標(biāo)題與結(jié)點(diǎn)詞共現(xiàn)頻率時，將標(biāo)題中的詞賦予較大的權(quán)重，文本中的節(jié)點(diǎn)詞賦予較小的權(quán)重，有效提高了信息提取的準(zhǔn)確性。
　　最后，本文利用JTidy和爬蟲的有關(guān)知識對系統(tǒng)進(jìn)行了簡單的實(shí)現(xiàn)，根據(jù)待爬行URL與主題的相關(guān)度，把滿足條件的URL加入到待提取隊(duì)列，并且根據(jù)正在爬行的網(wǎng)頁正文內(nèi)容與新聞類別主題的相似度，下載滿足條件的網(wǎng)頁，提取到相關(guān)新聞網(wǎng)頁上新聞的標(biāo)