主題型網頁的信息抽取技術研究.pdf

1、隨著互聯(lián)網絡技術的發(fā)展，萬維網作為一種新興的信息媒介已經越來越多的滲入到社會的經濟、文化、教育以及娛樂等各個領域，并作為其中的重要組成部分，改變著我們的工作和生活。主題型網頁作為萬維網中最主要的網頁類型之一，主要包括了新聞網頁、論壇(BBS)、博客三種類型的網頁，其中的論壇和博客網頁，由于它們包含了豐富的社會輿論信息和各個領域的知識，如同一個巨大的信息庫，而受到了人們廣泛的關注。因此，研究針對主題型網頁的信息抽取技術將有助于人們更充分的

2、利用這個信息庫，無論是對社會學的研究、或是對網絡輿情收集還是進行數(shù)據(jù)挖掘、知識發(fā)現(xiàn)都具有重要的貢獻意義。
　　 本文在主題型網頁信息提取方面做了以下研究：
　　 (1)本文提出了一種估算網頁圖片信息量和圖片有效信息量的方法，并以此為基礎提出了一個基于圖文信息量的網頁正文定位算法。通過對網頁中最小正文子樹的定位，以達到去除網頁中的噪音的目的，并且通過實驗驗證了該算法具有較好的去除網頁噪音的效果。
　　 (2)針對以