文献

J-GLOBAL ID：201602274333502474   整理番号：16A1232123

融合構造と内容特徴は,複数のWEBページ要素を抽出する.【JST・京大機械翻訳】

Extracting Textual Elements of Multi-types Webpages by Fusing Content and Structure Features of the Webpage

著者 (5件)： Wang Yulong (School of Information Engineering and Automation, Kunming University of Science and Technology) ,  Lai Hua (School of Information Engineering and Automation, Kunming University of Science and Technology) ,  Yu Zhengtao (School of Information Engineering and Automation, Kunming University of Science and Technology) ,  Hong Xudong (School of Information Engineering and Automation, Kunming University of Science and Technology) ,  Liu Shulong (School of Information Engineering and Automation, Kunming University of Science and Technology)
資料名： Shanxi Daxue Xuebao. Ziran Kexue Ban  (Shanxi Daxue Xuebao. Ziran Kexue Ban)
巻： 39  号： 3  ページ： 386-391  発行年： 2016年 
JST資料番号： C2975A  ISSN： 0253-2395  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： ウェブページの設計構造とテキストコンテンツの関連特性に従って,本論文は,構造とコンテンツの特徴を統合するマルチタイプWEBページ要素抽出法を提案した。ページヘッダの要素とWEBページの内容との関係に従って,ページタイトルを抽出した。WEBページのWEBページの構造と内容の複数の特徴分類ページのDOMノードを抽出し、ノードの拡張、整合規則を定義して本文のブロックを獲得し、密度値と影響因子を導入して各候補ブロックから正文塊を識別する。発表時間とタイトル,本文との位置関係を利用して,正規表現により発表時間の抽出を実現する.中国のニュースサイト,ブログ,フォーラム,およびTieBaに関する実験結果は,この方法が効果的であることを示した。Data from the ScienceChina, LCAS.【JST・京大機械翻訳】

シソーラス用語： 正規表現 ,  *コンテンツ ,  中華人民共和国 ,  Webページ
準シソーラス用語： ブログ ,  ニュースサイト ,  位置関係 ,  影響因子 , 【Automatic Indexing@JST】

著者キーワード (4件)： multi-types webpage ,  automatic extraction of webpage text elements ,  structural features of webpage ,  content features of webpage

分類 (2件)： 検索技術  (AC06020S) ,  その他の情報処理  (JE15050M)

タイトルに関連する用語 (3件)： 融合 ,  Webページ ,  要素