基于结构与内容的网页主题信息提取研究

1、基于结构与内容的网页主题信息提取研究,2006-7-21,主要内容,前言 相关研究工作 系统分层流程图 映射表 网页结构分析 网页内容分析 实验结果 总结,前言,导航区,交互区,主题标签区,主题文本区,噪音区,相关研究工作网页结构分析,* DOM网页标记树法,* 页面显示实体坐标位置法,* 基于映射表的网页结构内容分析法,网页主题信息提取分层流程图,HTML文档映射表主要是对头部和主体部分中文本条映射，即 头部映射、文本条内容映射、文本条属性（视觉、结构、语义）映 射。对HTML文档提取关键信息从而生成关于HTML文档的内容属 性映射表，即：f(Di ，in)，其中Di为HTML文档集 ，Ti

2、为对应的每个文档的内容属性映射表。,HTML网页映射表,表1 HTML网页映射表 Tab.1 Mapping table of HTML page,HTML网页映射表,网页结构分析结构生成,网页结构生成方法及表示形式,* 基于栈的网页结构生成方法,* 语义字符串分级表示,如A23123，其中A表示主体中第一个表格，如果网页中还有其他同层次表格分别记为B，C，D等，2、3分别为第一个表格的内嵌行标记、单元格标记；1表示第一个表格A的嵌套表格，2、3分别为嵌套表格行标记、单元格标记。,网页结构分析区域分割,网页区域特征,根据网页的区域结构布局特征，设页面P=（A1，A2An），其中网页区域Ai=（

3、TextItemi1，TextItemi2 TextItemij），TextItemij=（TextAbttributeMap，TextContentMap），TextAbttributeMap为文本条的结构、视觉和语义属性映射，TextContentMap为文本条内容映射。 在一个网页内，每个区域可以用5个变量来表达其语义特征： CountRatio：区域内有链接与无链接文本条内字符总个数的比值 LinkAvgCount：有链接文本条内字符的平均个数（均值） FormalDegree：字符的方差（方差） AvgCountDiff：无链接与有链接文本条内字符平均个数的差值 CharMaxCou

4、nt：区域内文本条字符的最大个数。,启发式规则,IF CountRatio2 AND LinkAvgCount=15 AND AvgCountDiff=5） THEN Ai为主题文本区 ELSE Ai为主题标签区,启发式规则设计如下（规则中的数据是通过大量不同网页观察与实验得到）,网页内容分析区域内容量化,区域内容量化表示采用向量空间模型。向量空间模型（VSM）是一种较为常用的信息获取模型。对于一个网页各区域内向量权重计算，采用TF方法，如公式（1），其中tfi是第i个关键词在该区域中的出现频率，n为区域内关键词的个数。假设两个区域U，V，两者的相似度可用向量之间的夹角来度量，相似度计算如公式

5、（2）。,Wi=,（1）,Sim(V,U)=cos(V,U) =,（2）,网页标题与网页的上一级链接文本，具有高度的主题概括性，将二者组成新的区域S，利用公式（1）计算S的特征向量的权重。 非主题相关标签过滤：利用公式（2）分别计算每一个主题标签区Ai与S的相似度，把高于相似度阈值的主题标签区保留，其余滤除。 版权区过滤：最后一个区域一般为版权区，通过在此区域查询 “版权所有”等文本向量，如果有，并且主题文本区不唯一，则将其滤除。 导航区过滤：判断如果区域Ai为导航区，直接将其滤除。,网页内容分析滤除噪音,实验,数据集：为了验证我们方法的有效性，实验时分别从新浪、搜狐、雅虎、齐鲁热线等大型门户

6、网站中人工挑选了500个有着复杂结构与分布的网页作为测试数据进行测试 。,评价标准：采用人工判断网页区域分割与识别结果和网页主题信息提取结果，其中500个网页一共分割出4205个区域，平均每个网页有8个区域。,网页分割与识别结果 Result of web pages segmentation and identification,实验结果,实验结果,网页主题信息提取结果 Result of web pages topical information extraction,实验结果分析,实验结果表明该方法对大多数网页区域分割与识别结果和网页 主题信息提取结果较好。区域分割与识别错误主要是由于网页 HTML文档中不含及其内嵌标记，或者使用了此标记，但 是由于设计者安排的内容有着特殊的作用，在主题文本区域内会有 少量噪音。区域分割与识别结果决定了网页主题信息提取结果的好 坏。,总结,本文结合HTML网页内部特征与外部的结构布局，尝试了采用映 射表这种网页映射模式对网页视图进行变换，基于结构与启发式规 则对网页进行区域分割与识别，并利用向量空间模型对