随着Internet网信息的急速膨胀,各项和Web有关的服务也都逐渐增多,Web信息在很多方面得到了广泛的应用。在本文中,我们探索了网络文本之间的相关度计算方法。重点讨论了以下两个问题:首先,网络文本的获得。网络文本的获得是指从网页中抽取出主题正文信息,属于信息抽取。网页具有半结构化的特点,其内容不光有我们所要的表达某一主题的文本,还有以盈利为目的广告信息、用来指示与该网页相关联的网页的链接及链接描述(锚文本)、给浏览器阅读的网页源代码等等,从中抽取出其中表达某一主题的文本,过滤掉不相干的信息,这是我们所要研究的内容。其次,文本相关度的计算。文本相关度指文本之间联系的紧密程度。人们常常基于向量空间模型来计算文本之间的相关度。本文首次用最大熵解决了网络文本的获取问题,提出了基于最大熵的网页正文信息抽取算法;对于文本相关度计算,我们研究了词汇集聚与文本主题之间的关系,分析了词汇集聚反应文本主题的几个因素,并组合了这些因素,最后我们提出了基于词汇集聚的文本相关性计算方法——LCDRM,其中包括基于词汇链的文本表示LCDR,词汇链权重计算WCLC,和文本匹配算法LCDM。并且通过实验证明了,这种方法能有效的提高相关度计算的准确率和召回率。