基于HTML特征与层次聚类的Web查询接口发现

摘要：

针对各网站Web查询接口(WQI)因结构异构而难以被自动发现的问题,提出一种基于超级文本标记语言(HTML)特征和层次聚类的Web查询接口发现方法.利用HTML控件元素之间的层级结构、依附关系和HTML交互控件的终端特性,通过前序和后序遍历相结合的方式解析页面,建立合适的页面树状模型.按照查询区域交互密度的局部集中性定位并初始化聚类集合.将聚类集合中各潜在接口区域结构距离的相似性进行层次聚类,并对所得潜在接口中的交互控件选择合适的文本节点进行语义标注,得出完整WQI区域,利用接口中的文本特征过滤非查询接口.实验结果表明,该方法克服了传统方法对<form>标签的过度依赖,具有较强的通用性,接口识别率与准确率分别达到90.7％和92％.

关键词：Web查询接口、超级文本标记语言、层次聚类、结构距离、交互密度、文本过滤器

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

在线出版日期：2016-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：56-61