论文部分内容阅读
提出了一种剪枝信息熵增较大结点的信息抽取方法。通过对HTML文档解析来构造DOM树，根据配置过滤掉不需处理的相关内容并建立语义模型树，最后对熵增超过阈值的结点进行剪枝并输出抽取的主题信息页面，初步实验结果验证了用这种方法进行Web页面信息抽取的有效性。方法的数学模型简单可靠，基本不需要人工干预即可完成主题信息抽取。可应用于Web数据挖掘系统以厦PDA等移动设备的信息获取方面。