华南理工大学学报(自然科学版) ›› 2011, Vol. 39 ›› Issue (4): 32-37.doi: 10.3969/j.issn.1000-565X.2011.04.006
吴麒1,2 陈兴蜀1 谭骏1
Wu Qi1,2 Chen Xing-shu1 Tan Jun1
摘要: 目前网页上出现越来越多的广告信息,使得准确抽取网页正文信息变得越来越难.针对这一问题,文中提出了一种基于权值优化的网页正文内容提取算法. 该算法首先通过分析网页正文内容的特点,确定主题块的特征属性,得出这些属性的统计特征; 然后,利用各个特征属性具有不同重要性的特点,使用粒子群优化算法对特征权值及阈值进行了优化和确定,使其性能得到进一步的提升; 最后通过实验对该方法进行验证.结果表明,与未经权值优化的提取算法相比,在基本维持相同精确率的基础上,该方法可使网页正文内容提取的召回率提升至95. 8%.