[发明专利]基于块、模式识别及行文本的通用论坛正文提取算法有效
| 申请号： | 201710427648.0 | 申请日： | 2017-06-08 |
| 公开（公告）号： | CN107391559B | 公开（公告）日： | 2020-06-02 |
| 发明（设计）人： | 龙鑫;武继刚;杨哲;左超 | 申请（专利权）人： | 广东工业大学 |
| 主分类号： | G06F16/957 | 分类号： | G06F16/957 |
| 代理公司： | 广东广信君达律师事务所 44329 | 代理人： | 杨晓松 |
| 地址： | 510062 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 论坛的文本提取，通过解析论坛的html文件获得论坛中的核心内容，从其中提取出来的文本信息对商业决策，舆论分析以及社会调查都具有重大的意义。其中这个技术有两个重要的步骤，html文本的去噪以及核心内容的识别和提取，html文本的去噪需要将html文本中无用的信息片段去除，核心内容的识别和提取实现则会依据作者设计的方法出现很大的差异。在本发明中，主要对核心内容的识别提取方面提出一种基于块、模式识别以及行文本的通用论坛提取方法，通过机器学习实现模式的自我更新以及对论坛html文件的分块来更加准确地提取出论坛文本的核心内容，并且使得本方法在面对多种方法实现的论坛时也具有通用性，避免了对不同论坛需要设计不同方法来提取带来的繁琐。 | ||
| 搜索关键词： | 基于 模式识别 行文 通用 论坛 正文 提取 算法 | ||
【主权项】：
一种基于块、模式识别以及行文本的通用论坛提取方法，其特征在于：通过处理后的html文本匹配生成一个模式库，然后依据时间对网页进行分块并在块中利用模式对文本进行提取。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
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广东工业大学，未经广东工业大学许可，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/patent/201710427648.0/，转载请声明来源钻瓜专利网。
