计算机工程

作者：张恺航,徐克付,张闯

单位：1.中国科学院信息工程研究所,北京 100093; 2.中国科学院大学 网络空间安全学院,北京 100049; 3.广州大学 网络空间先进技术研究院,广州 510006

关键词：内容抽取,通配符节点,最大相容类,Otsu算法,话题生成

基金：国家自然科学基金(61602474)。

现有Web新闻内容自动抽取方法多数未考虑文本中的话题特征,容易将样式排版与正文相似的噪音文本识别为正文内容。为此,提出基于通配符节点话题权重的抽取方法。将HTML文档解析成DOM树后,匹配DOM树对应的通配符树,并计算每个通配符中的话题权重,将高权重话题的通配符节点所覆盖的文本节点识别为正文节点。实验结果表明,与传统新闻抽取方法相比,该方法能降低Web新闻内容边缘噪音文本的错误识别率,抽取的新闻内容准确率更高。

来源：2019年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2019年第4期