[发明专利]基于网页文章的标题抽取方法及装置有效
| 申请号： | 201810163176.7 | 申请日： | 2018-02-26 |
| 公开（公告）号： | CN108268433B | 公开（公告）日： | 2019-06-11 |
| 发明（设计）人： | 张为 | 申请（专利权）人： | 杭州数梦工场科技有限公司 |
| 主分类号： | G06F17/22 | 分类号： | G06F17/22 |
| 代理公司： | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人： | 张润 |
| 地址： | 310024 浙江省杭州*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出一种基于网页文章的标题抽取方法及装置，其中方法包括：获取网页文章对应的网页代码；根据渲染后的网页代码，构建DOM树；根据DOM树各个节点中元素的实际属性值对渲染后的网页代码进行调整；获取DOM树中正文区域前的叶子节点，并作为标题候选节点；根据标题候选节点中的文本内容特征，以及标题候选节点与正文区域之间的距离，计算标题候选节点的特征分数；将对应的特征分数最高的标题候选节点确定为标题节点，将其文本内容确定为网页文章的标题，从而能够结合正文区域所在位置，确定标题候选节点，结合标题候选节点中的文本内容特征，确定标题，避免了包装器的创建，实现了全自动化抽取，从而降低了成本，提高了抽取效率。 | ||
| 搜索关键词： | 标题候选 网页文章 网页代码 文本内容 正文区域 抽取 特征分数 渲染 标题节点 节点确定 全自动化 实际属性 叶子节点 包装器 构建 创建 | ||
【主权项】：
1.一种基于网页文章的标题抽取方法，其特征在于，包括：获取网页文章对应的网页代码，对所述网页代码进行渲染，得到渲染后的网页代码；根据所述渲染后的网页代码，构建文档对象模型DOM树；获取所述DOM树的各个节点中元素的实际属性值，根据元素的实际属性值对所述渲染后的网页代码进行调整；获取所述DOM树中的正文区域；遍历所述DOM树，获取所述DOM树中正文区域前的叶子节点，将所述叶子节点作为标题候选节点；根据所述标题候选节点中的文本内容特征，以及所述标题候选节点与所述正文区域之间的距离，计算所述标题候选节点的特征分数；将对应的特征分数最高的标题候选节点确定为标题节点，将所述标题节点中的文本内容确定为所述网页文章的标题。
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杭州数梦工场科技有限公司，未经杭州数梦工场科技有限公司许可，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/201810163176.7/，转载请声明来源钻瓜专利网。
- 上一篇：一种节目工程文件的转换方法及装置
- 下一篇：立体场景中超链接编辑方法与系统
