【摘 要】
：
针对内容分析算法,即Readability算法,在正文抽取中易丢失部分正文字段、锚文本、结构数据(表格、列表)的缺点,提出一种改进的网页正文提取算法。基于网页正文的结构特征,在
【机 构】
：
四川大学电子信息学院,电子信息控制重点实验室,中石化管道储运有限公司荆门输油处
【基金项目】
：
国家973重点基础研究发展计划基金项目(2013CB328903-2)
论文部分内容阅读
针对内容分析算法,即Readability算法,在正文抽取中易丢失部分正文字段、锚文本、结构数据(表格、列表)的缺点,提出一种改进的网页正文提取算法。基于网页正文的结构特征,在原算法基础上评估非p标签节点的文本特性;引入节点相对距离过滤文本特性较强的网页噪音;重新定义剪枝范围,避免剪枝过度,使Readability算法的正文内部信息丢失问题得到较好地的改善。对国内各大博客、新闻、科普、专业类网站进行正文提取实验,实验结果表明,该算法结果优于Readability算法,正文提取准确率达到95%以上。
其他文献
针对常用的点对MRF(Markov random field)分割算法采用简单的先验模型,在对乳腺钼靶X图像中的乳腺肿块分割时产生的过分割问题,提出一种基于SLIC(simple linear iterative cluster)算法改进的MRF分割算法。采用SLIC算法将图像预分割为内部一致性较高的超像素区域,根据超像素区域的特征建立邻域系统并构建MRF,以超像素区域代替像素点作为分割单位实现乳
为提高算法在优质区域的开采能力和算法的收敛速度,提出一种基于最优解集距离的改进JADE算法(db-JADE)。根据目标个体与最优解集中的最优个体距离确定参与变异的最优粒子概率
和谐是一个关系范畴,从一定意义上说,主要是指人与人之间的关系.我们说一个单位内部是和谐的,通常就是指这个单位处于较高的融洽和协调状态,对抗性因素较少,发生影响全局的对
本文针对的边海防光电转台的特点,分析了转台控制的原理、流程和主要功能,使用Qt5.6进行开发,设计了一套光电转台控制软件,具有操作简单,控制可靠,反馈准确,使用方便的优点。
通过对常用的检测方法进行分析和总结,结合日常检测工作中可能引起测量误差的因素,提出合理可行的解决方法。