论文部分内容阅读
随着Internet技术的发展和普及，Web上的信息量猛增，使信息抽取更具有挑战性．从网站的拓扑结构入手，提出了信息抽取中网站结构树的生成算法，该算法首先根据网页结点URL所在目录的层次关系，去掉网站结构图中的部分回溯边；然后在宽度优先遍历的过程中去掉已经遍历过的重复结点，生成网站结构树．最后引入编辑距离对算法生成的网站结构树与实际的网站结构树的相似程度进行评价，两棵树的相似程度比较高，均达到了90％以上．利用生成的网站结构树可以对网站的内容页面（即结构树的叶子结点）进行聚类，最后进行信息抽取，大大提高抽