文献类型：期刊文章

作　　者：陈治昂[1] 周知予[2] 李大学[1]

机构地区：[1]重庆邮电大学计算机学院,重庆400065 [2]贝尔实验室基础科学研究院(中国),北京100080

出　　处：《计算机应用研究》

基　　金：重庆市科委科研项目(2006BB3041);重庆市教委科研项目(KJ060518)

年　　份：2009

卷　　号：26

期　　号：7

起止页码：2646-2649

语　　种：中文

收录情况：AJ、BDHX、BDHX2008、CSA-PROQEUST、CSCD、CSCD2011_2012、IC、INSPEC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：针对网页噪声和网页非结构化信息抽取模板生成复杂度高的问题,提出了一种快速获取非结构信息抽取模板的算法。该算法先对网页噪声进行预处理,将其DOM树结构进行标签hash映射,通过自动训练的阈值快速判定网页的主要部分,根据数据块中的嵌套结构获取网页文本抽取模板。对不同类型网站的实验表明,该方法快速且具有较高的准确度。

关 键 词：噪声 非结构化 文本抽取 模板  阈值

分 类 号：TP391]