论文部分内容阅读
在分析Web内容挖掘特征的基础上，提出一种基于XML技术的Web内容挖掘模型．利用HITS算法确定权威Web页面，利用HTMLTidy工具将非XML文件经过数据清洗后转换成结构良好的XMI。文档，结合互联网上传统科技论文的自动抽取系统实例，采用文本聚类分类技术进行面向XML文档数据的数据挖掘．实验结果表明，该模型工作良好，可以自动、有效地提取网页内容．