论文研究 一种基于特征符号的网页主题信息抽取方法.pdf

随着Internet网络的日益普及，Web上的海量数据给文本挖掘尤其是网页主题提取带来了更多的挑战，现有的文本提取方法在保证高准确率的同时无法满足Web挖掘方法的通用性。通过对Web网页结构进行研究，对网页生成树模型进行了改进，找到网页结构的通用规则，提出一种基于特征符号的提取方法CECS（content extraction characteristic symbols），结合相关度对网页主题内容进行提取。实验证明，所提算法具有很高的准确性和通用性。