一種基于特征符號的網頁主題信息抽取方法

摘要：隨著Internet網絡的日益普及，web上的海量數據給文本挖掘尤其是網頁主題提取帶來了更多的挑戰，現有的文本提取方法在保證高準確率的同時無法滿足web挖掘方法的通用性。通過對web網頁結構進行研究，對網頁生成樹模型進行了改進，找到網頁結構的通用規則，提出一種基于特征符號的提取方法CECS(content extraction characteristic symbols)，結合相關度對網頁主題內容進行提取。實驗證明，所提算法具有很高的準確性和通用性。

關鍵詞：生成樹模型；特征符號；相關度；主題提取

中圖分類號：TP391 文獻標志碼：A 文章編號：1001－3695(2009)12－4539－03