一种Web评论自动抽取方法

摘要：

Web用户评论是许多重要应用的信息来源,比如公众舆情的检测与分析,Web用户评论必须从网页中准确地抽取出来.用户生成内容(user-generated content)不受页面模板的限制,这就给Web数据抽取提出了新的挑战:首先,不同用户评论内容的不一致性严重影响了评论记录在DOM树和视觉上的相似性;其次,评论内容在DOM树中是一棵复杂的子树,而且彼此之间在DOM树中的结构相差巨大.为了解决这两个问题,提出了一种完整的解决方案,使用多种技术来实现对用户评论内容的抽取.抽取过程分为两个步骤,基于深度加权的树相似性算法评论记录首先从网页中抽取出来,然后通过比较DOM树中节点的一致性,将纯粹的用户评论内容从评论记录中抽取出来.在多个新闻网站和论坛网站上的实验结果表明,该方法可以达到较高的准确度和效率.

关键词：Web用户评论、结构化数据记录、Web数据抽取

所属期刊栏目：21

分类号：TP311(计算技术、计算机技术)

资助基金：the National High-Tech Research and Development Plan of China under Grant No.2008AA01Z421 国家高技术研究发展计划863;the China Postdoctoral Science Foundation Funded Project under Grant Nos.20080440256, 200902014

在线出版日期：2011-03-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共17页

页码：3220-3236