[发明专利]一种基于本体思想的网页信息提取方法

摘要

本发明公开了一种基于本体思想的网页信息提取方法，该方法采用向量空间模型，首先对网页分词结果进行分析得出特征词，其次计算特征权值，然后结合本体思想分析网页的主题相关度，最后采取主题相关度与系统设定的阈值进行比较，从而提取该网页的主题信息。此方法使网页分析的运算量降低，减少网页信息的遗漏，提高了信息提取的质量。

主权项

一种基于本体思想的网页信息提取方法，其特征在于，包括如下步骤：(1)网页文档预处理将待抽取信息的网页作为信息源，主题爬虫对网页锚文本、网页标题、正文标题和正文以标签树的方式进行结构化分析，处理成网页文本；(2)本体化分类利用分词系统FreeICTCLAS的接口进行分词，并对词语进行本体化分类，同时得到特征词在文本中出现的频率；(3)权值计算根据向量空间模型，将每个网页文本抽象成一个向量，接着通过公式将文本的特征关键词所占的权值计算出来，所述公式为Wi＝∑(Wt*Pt*Wi)；(4)计算主题相关度根据主题相关度公式分析主题相关度；(5)分析主题相关度将计算得到的主题相关度与系统设置的阈值进行比较。