论文部分内容阅读
针对传统的信息抽取方法在提取卷期目录链接时精度不高的问题，本文提出一种基于网页分块和链接特征的卷期目录链接提取方法。首先，以网页标签树的布局标签为最小粒度，提出一种原子网页分块算法，将网页分割为若干个相互独立、互不包含的内容块；其次，根据内容块的子树结构，提出一种原子内容块聚类算法，通过合并相似内容块对网页进行语义块划分；最后，提出一种卷期目录链接块的识别算法，通过融合链接文本相似度和基于Bayes的语义分析方法识别出卷期目录链接区域，从而实现链接的提取。实验结果表明，本文提出的方法能够有效提取卷期Et录