[发明专利]一种语音浏览方法及浏览器

权利要求书

1.一种语音浏览方法，包括：

网页信息提取步骤：对于用户请求的任一网页，首先对其进行网页分类，若判定该网页属于主题型网页，则对网页进行主内容抽取；若该网页为非主题型网页，则进行网页分块；

网页格式转换步骤：将HTML格式的网页自动转换为VOICEXML格式的网页；

语音推送步骤：基于voiceXML格式网页，向用户朗读网页内容。

2.根据权利要求1所述的语音浏览方法，其特征在于，所述网页格式转换步骤中，对于主题型网页，所抽取的网页主内容设置为优先向用户朗读；对于非主题型网页，为用户设置快捷键以使用户能够在各网页块之间自由切换和选择。

3.根据权利要求1所述的语音浏览方法，其特征在于，所述网页信息提取步骤中，网页分类的算法包括下列步骤：

11)对网页进行DOM树解析，计算每一个DOM结点的链接文字比；

12)对网页是否为主题型网页进行粗判断以将该网页判定为主题型网页、非主题型网页和网页类型待定的网页；

13)根据步骤11)中得出的DOM树中各结点的链接文字比确定所述网页的最大内容结点；

14)根据最大内容结点所占区域的位置判断该网页是否为主题型网页。

4.根据权利要求3所述的语音浏览方法，其特征在于，所述步骤12)包括：

当DOM树根结点的链接文字比小于预设的第一阈值时，判定该网页为主题型网页，网页分类算法结束；

当DOM树根结点的链接文字比大于预设的第二阈值时，判定该网页为非主题型网页，网页分类算法结束；

当DOM树根结点的链接文字在所述第一阈值和所述第二阈值之间时，该网页类型待定，转入步骤3)。

5.根据权利要求3所述的语音浏览方法，其特征在于，所述步骤14)中，当最大内容结点所占区域的位置位于网页中心区域时，判定该网页为主题型网页，否则判定为非主题型网页。

6.根据权利要求5所述的语音浏览方法，其特征在于，网页的中心区域定义如下：

如页面的坐标是(0，0，width，height)，其中(0，0)代表左上角坐标，(width，height)代表页面的右下角的坐标。width指页面的宽度，height指页面的高度，那么网页的中心区域为(0.25*width，0，0.75*width，0.5*height)；

当最大内容结点所占区域与网页的中心区域有交集时，即判定最大内容结点所占区域的位置位于网页中心区域。

7.根据权利要求3所述的语音浏览方法，其特征在于，所述网页信息提取步骤中，主内容抽取的算法包括下列步骤：

21)取最大内容结点所对应的DOM树片段，对该DOM树片段进行遍历，对该DOM树片段中的每个结点，如该结点包含的链接的个数大于预设的链接个数阈值，且该结点的链接文字比大于预设的链接文字比阈值，则判定该结点为噪音结点；否则判定为主内容结点；

22)去除所有噪音结点，得到只含主内容结点的子结点集合。

8.根据权利要求2所述的语音浏览方法，其特征在于，所述网页信息提取步骤中，分块处理的算法包括下列步骤：

31)获取待分块网页的DOM树；

32)遍历所述DOM树，将其中每个只包含1个基本多行结点的结点作为一个基本分块，将每两个只包含1个基本多行结点的结点之间的零散叶结点分别合成一个基本分块；其中，当一个基本多行结点的父结点被作为一个基本分块时，该基本多行结点不再作为一个基本分块。

9.根据权利要求8所述的语音浏览方法，其特征在于，所述分块处理的算法还包括：

33)在所述基本分块中找出主题块，将主题块与其后面邻接的若干个非主题块合并；所述主题块中包含主题或分类标签。

10.一种语音浏览器，包括：

网页信息提取装置：用于对于用户请求的任一网页，首先对其进行网页分类，若判定该网页属于主题型网页，则对网页进行主内容抽取；若该网页为非主题型网页，则进行网页分块；

网页格式转换装置：用于将HTML格式的网页自动转换为VOICEXML格式的网页；以及

语音推送装置：用于基于voiceXML格式网页向用户朗读网页内容。