论文部分内容阅读
鉴于已有信息提取方法的可改进之处，结合对HTML网页性质的统计和分析，针对社会媒体中的用户生成数据，提出一种网页主题信息提取算法。算法依据DOM的树型结构特点，充分考虑节点中非链接文字总数和超链接总数这些语义信息，对其进行基于HTML标签的过滤和基于语义的剪枝，能够准确地提取出网页HTML文档的主题信息。实验证明，提取到的主题信息具有较高的准确性和完整性。