[发明专利]网页人物主题相关信息提取方法在审
| 申请号： | 201710783655.4 | 申请日： | 2017-09-04 |
| 公开（公告）号： | CN107590219A | 公开（公告）日： | 2018-01-16 |
| 发明（设计）人： | 费高雷;周成阳;胡光岷 | 申请（专利权）人： | 电子科技大学 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 成都宏顺专利代理事务所(普通合伙)51227 | 代理人： | 周永宏 |
| 地址： | 611731 四川省成*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 网页 人物 主题 相关 信息 提取 方法 | ||
1.一种网页人物主题相关信息提取方法，其特征在于，包括以下步骤：
A、获取一个包含人物主题相关信息的HTML网页文档；
B、构建步骤A中HTML网页文档对应的DOM树；
C、对步骤A中HTML网页文档进行预处理；
D、根据步骤B中的DOM树计算每个DOM节点的文本节点率，对HTML网页文档进行文本分块处理；
E、根据步骤D中得到的文本节点率和文本分块进行网页正文文本块筛选；
F、对步骤E中得到的正文文本块进行人物信息提取处理；
G、判断步骤F中提取得到的信息中是否包含人物信息；若是，则对步骤F中提取得到的人物信息进行结构化处理；若否，则返回步骤A。
2.如权利要求1所述的网页人物主题相关信息提取方法，其特征在于，所述步骤C对步骤A中HTML网页文档进行预处理具体为删除HTML网页文档中可忽略标签集合，所述可忽略标签集合包括<script>标签、<style>标签、<br>标签、<select>标签、<input>标签、<label>标签、<comment>标签和<nav>标签。
3.如权利要求1所述的网页人物主题相关信息提取方法，其特征在于，所述步骤D根据步骤B中的DOM树计算每个DOM节点的文本节点率具体为以<body>标签作为起始根节点，递归计算DOM树下各个DOM节点的文本节点率。
4.如权利要求3所述的网页人物主题相关信息提取方法，其特征在于，所述计算每个DOM节点的文本节点率的计算公式为
其中，CNR(n)为节点n的文本节点率，CountText(n)为节点n下所有文本字符数，CountNode(n)为节点n下所有DOM节点数。
5.如权利要求4所述的网页人物主题相关信息提取方法，其特征在于，所述步骤E根据步骤D中对HTML网页文档进行文本分块处理具体为将<body>标签下第一级孩子节点作为聚合的父节点，把父节点下文本节点率为0的节点删除，把不等于0的节点聚合到文本节点率较大的节点下。
6.如权利要求1所述的网页人物主题相关信息提取方法，其特征在于，所述步骤E根据步骤E中得到的文本节点率和文本分块进行网页正文文本块筛选具体为根据文本分块所属的节点的文本节点率，选取文本节点率最大且文本字符最多的文本分块作为网页正文文本块。
7.如权利要求1所述的网页人物主题相关信息提取方法，其特征在于，所述步骤F对步骤E中得到的正文文本块进行人物信息提取处理具体为对步骤E中得到的正文文本块进行分词，并将切分得到的单词进行正规化处理，再提取反映人物主题相关信息的关键词并进行分类标注，计算各类标注权重。
8.如权利要求1所述的网页人物主题相关信息提取方法，其特征在于，所述对步骤F中提取得到的人物信息进行结构化处理具体为对非结构化人物信息进行结构化处理和对半结构化人物信息进行结构化处理。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于电子科技大学，未经电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201710783655.4/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种冲压操作系统
- 下一篇：一种钢板弹簧卡箍成型装置
