Web页面正文信息抽取技术的研究
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1. 绪论 | 第9-15页 |
| 1.1 课题的目的以及意义 | 第9-10页 |
| 1.1.1 课题的目的 | 第9页 |
| 1.1.2 课题的意义 | 第9-10页 |
| 1.2 国外研究现状 | 第10-12页 |
| 1.3 国内研究现状 | 第12页 |
| 1.4 本文研究的主要内容 | 第12-13页 |
| 1.5 本文的组织结构 | 第13-14页 |
| 1.6 本章小结 | 第14-15页 |
| 2.网页特点以及抽取规则的介绍 | 第15-22页 |
| 2.1 概述 | 第15页 |
| 2.2 网页结构简介 | 第15-18页 |
| 2.2.1 网页特征 | 第16页 |
| 2.2.2 网页结构 | 第16-17页 |
| 2.2.3 网页架构 | 第17-18页 |
| 2.3 XPath技术 | 第18-20页 |
| 2.3.1 XPath简介 | 第18-19页 |
| 2.3.2 XPath应用于抽取技术 | 第19-20页 |
| 2.4 解析模板以及解析模板的生成 | 第20-21页 |
| 2.4.1 解析模板 | 第20-21页 |
| 2.4.2 解析模板的归纳学习 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 3.分块算法描述 | 第22-30页 |
| 3.1 概述 | 第22页 |
| 3.2 分块的描述 | 第22-25页 |
| 3.2.1 分块的准备工作 | 第23页 |
| 3.2.2 构造DOM树 | 第23-25页 |
| 3.3 对Web页面分块 | 第25-29页 |
| 3.3.1 HTML网页分类 | 第25-26页 |
| 3.3.2 分块方法 | 第26-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4.网页正文信息抽取算法 | 第30-47页 |
| 4.1 概述与方法策略的介绍 | 第30-31页 |
| 4.2 链接密度比提取正文 | 第31-35页 |
| 4.2.1 方法介绍 | 第31页 |
| 4.2.2 正文提取算法 | 第31-34页 |
| 4.2.3 小结 | 第34-35页 |
| 4.3 对块直接抽取正文 | 第35-43页 |
| 4.3.1 简介 | 第35-36页 |
| 4.3.2 本文采用的抽取方法 | 第36-37页 |
| 4.3.3 文本块代码重新规划 | 第37-38页 |
| 4.3.4 噪声过滤 | 第38-39页 |
| 4.3.5 文本块的过滤分类 | 第39-43页 |
| 4.4 算法 | 第43-46页 |
| 4.4.1 Web页面顺序重新规划算法 | 第43页 |
| 4.4.2 权值度的计算算法 | 第43-45页 |
| 4.4.3 正文信息集合特征提取算法 | 第45页 |
| 4.4.4 过滤噪声中信息算法 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5.抽取实验结果与工作总结 | 第47-51页 |
| 5.1 概述 | 第47-50页 |
| 5.1.1 文本链接密度比对信息抽取正确率的影响 | 第47-48页 |
| 5.1.2 正文权值度对正文抽取正确率的影响 | 第48页 |
| 5.1.3 与传统抽取方法的比较 | 第48-50页 |
| 5.2 分析 | 第50页 |
| 5.3 总结与展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 作者简介 | 第55-56页 |
