李 劍

(南昌陸軍學(xué)院戰(zhàn)斗實(shí)驗(yàn)室，江西南昌 330103)

互聯(lián)網(wǎng)規(guī)模的幾何級(jí)數(shù)增長和萬維網(wǎng)的缺乏規(guī)范性，使網(wǎng)絡(luò)信息檢索與傳統(tǒng)信息檢索相比呈現(xiàn)出明顯的不同之處:互聯(lián)網(wǎng)絡(luò)信息檢索面向的對(duì)象為海量數(shù)據(jù)［1］;互聯(lián)網(wǎng)絡(luò)信息檢索所提供的信息內(nèi)容包羅萬象，形式多樣。在這種情況下，網(wǎng)頁凈化技術(shù)成為網(wǎng)絡(luò)信息檢索特有的一個(gè)研究領(lǐng)域，受到越來越多研究人員的關(guān)注。對(duì)于有主題的網(wǎng)頁，文中提出了基于DOM和神經(jīng)網(wǎng)絡(luò)的網(wǎng)頁凈化方法。

1 網(wǎng)頁凈化系統(tǒng)的模型

文中網(wǎng)頁凈化系統(tǒng)模型分為3個(gè)模塊，分別對(duì)應(yīng)系統(tǒng)處理網(wǎng)頁的3個(gè)不同階段:在第一個(gè)模塊中，是把整個(gè)網(wǎng)頁的文檔分割成不同的內(nèi)容塊，然后對(duì)這些塊進(jìn)行分析;第二個(gè)模塊是將內(nèi)容塊樹中的按照給定標(biāo)準(zhǔn)選擇出固定數(shù)量的子樹，作為模塊三的輸入數(shù)據(jù);模塊三是神經(jīng)網(wǎng)絡(luò)的運(yùn)行部分，能夠選擇出網(wǎng)頁的主要內(nèi)容塊，模型圖如1 所示［2－3］。

圖1 整個(gè)模型框架圖

2 網(wǎng)頁凈化方法

HTML文檔是一種半結(jié)構(gòu)化的文檔，這里運(yùn)用了HTML Parser工具對(duì)它進(jìn)行解析。HTML DOM是一種樹形的結(jié)構(gòu)，通常被稱為HTML DOM樹。它的每個(gè)結(jié)點(diǎn)都代表一個(gè)塊單元，這里把DOM樹的結(jié)點(diǎn)分為兩種［4］:(1)組織結(jié)點(diǎn)，例如:＜table＞，＜tr＞，＜div＞，＜ui＞等，是被用以劃分整個(gè)網(wǎng)頁的結(jié)構(gòu)或組織網(wǎng)頁的內(nèi)容。(2)作非組織結(jié)點(diǎn)，展示網(wǎng)頁內(nèi)容，例如:＜td＞，＜Ii＞，＜p＞，＜img＞等。通常非組織結(jié)點(diǎn)包含在組織結(jié)點(diǎn)內(nèi)。

2.1 建立內(nèi)容塊樹

通過對(duì)大量帶有主題的網(wǎng)頁進(jìn)行研究分析，發(fā)現(xiàn)這類的網(wǎng)頁有著鮮明的特征，內(nèi)容基本都是被按照所處位置不同被分割成幾個(gè)內(nèi)容塊，幾個(gè)內(nèi)容塊在視覺上都有區(qū)別，并且網(wǎng)頁大部分都用 ＜table＞或者＜div＞劃分頁面內(nèi)容。因此，可借用這個(gè)特征，把一個(gè)網(wǎng)頁轉(zhuǎn)化成一個(gè)內(nèi)容塊樹，而內(nèi)容塊樹又是由子內(nèi)容塊樹構(gòu)成，子內(nèi)容塊樹是由它所在的塊中的一些相關(guān)DOM結(jié)點(diǎn)組成。這樣，就方便地把一些有相關(guān)信息和有相似布局的DOM結(jié)點(diǎn)集中在一起，從而為下面去除噪音信息做好準(zhǔn)備工作［5－6］。對(duì)此，設(shè)計(jì)算法如下:

(1)建立HTML文檔的DOM樹，然后把DOM樹轉(zhuǎn)化成DOM結(jié)點(diǎn)屬性，同時(shí)把組織結(jié)點(diǎn)和非組織結(jié)點(diǎn)分別標(biāo)上對(duì)應(yīng)的標(biāo)簽。

(2)建立一個(gè)空的以＜body＞為根結(jié)點(diǎn)的內(nèi)容塊樹，再把所有的組織結(jié)點(diǎn)給放進(jìn)一個(gè)結(jié)點(diǎn)池里。

(3)從結(jié)點(diǎn)池中取一個(gè)結(jié)點(diǎn)。

1)如該結(jié)點(diǎn)的左孩子是組織結(jié)點(diǎn)，則跳到2)，否則跳到3);如該結(jié)點(diǎn)沒有孩子，則跳到4)。

2)如該結(jié)點(diǎn)是＜table＞，＜tbody＞，＜div＞并且它的后代結(jié)點(diǎn)包含＜p＞，＜li＞結(jié)點(diǎn)的話，就把該結(jié)點(diǎn)和它所有的后代結(jié)點(diǎn)都放進(jìn)到一個(gè)新的隊(duì)列中去;否則就把該結(jié)點(diǎn)的左孩子給讀進(jìn)來，然后跳向1)。

3)如該結(jié)點(diǎn)的其它孩子結(jié)點(diǎn)都不是組織結(jié)點(diǎn)，則把該結(jié)點(diǎn)和它的后代結(jié)點(diǎn)都放進(jìn)到一個(gè)新隊(duì)列中去;否則，把它的其它孩子給讀進(jìn)來，然后跳向1)。

4)如該結(jié)點(diǎn)沒有父結(jié)點(diǎn)或者它是＜h1～h2＞，＜hr＞，則把該結(jié)點(diǎn)標(biāo)注成S(j++);否則把該結(jié)點(diǎn)，它的父結(jié)點(diǎn)和它所有的兄弟結(jié)點(diǎn)都放進(jìn)一個(gè)新的列表中。

5)從結(jié)點(diǎn)池中取出下一個(gè)結(jié)點(diǎn)。

6)for((3)中建立的所有隊(duì)列)。

7)檢查每個(gè)隊(duì)列中的父結(jié)點(diǎn)的所有屬性，比如，fontsize，fontcolor等。若有一個(gè)孩子結(jié)點(diǎn)和父結(jié)點(diǎn)有相同的屬性，這個(gè)父結(jié)點(diǎn)就將被作為一個(gè)分離結(jié)點(diǎn)從它的隊(duì)列中移除。

(4)如果隊(duì)列中的父結(jié)點(diǎn)中包含＜h1～h6＞的話，該父結(jié)點(diǎn)也會(huì)被作為分離結(jié)點(diǎn)從隊(duì)列中移除。

高情千古一真隱——陶淵明的隱逸思想和隱逸生活探析………………………………………………………………………李蘭東（3.49）

(5)根據(jù)建立隊(duì)列的順序在＜body＞結(jié)點(diǎn)下把所有的子內(nèi)容塊樹線建立起來，最終一個(gè)完整對(duì)應(yīng)于網(wǎng)頁的內(nèi)容塊樹也就建成了。

2.2 初步選擇子內(nèi)容塊

在對(duì)主題型網(wǎng)頁分析研究中，還發(fā)現(xiàn)一些網(wǎng)頁內(nèi)容在網(wǎng)頁的展示中需要較多的HTML標(biāo)簽去進(jìn)行修飾編碼，特別是標(biāo)題、邊欄、廣告欄、眉頭和頁腳等。從中可以統(tǒng)計(jì)出，與網(wǎng)頁主題關(guān)系度較小的網(wǎng)頁信息塊，它所包含的HTML編碼都較多。因此，為了從內(nèi)容塊樹中抽取得網(wǎng)頁的主要內(nèi)容塊，把冗余的不相關(guān)的或者相關(guān)度低的信息過濾凈化掉，文中參考了子塊中文本內(nèi)容和HTML編碼的比例特征對(duì)子塊進(jìn)行初步篩選:

(1)設(shè)定子內(nèi)容塊占總內(nèi)容文本比例的臨界值和子內(nèi)容塊和它對(duì)應(yīng)的HTML編碼的比例的臨界值。

(2)計(jì)算整個(gè)內(nèi)容塊樹的文本大小。

(3)計(jì)算各個(gè)內(nèi)容塊子樹的文本大小，并得出各文本占內(nèi)容塊樹文本的比例。

(5)計(jì)算出各個(gè)內(nèi)容子塊和它對(duì)應(yīng)的HTML編碼的比例。

(6)通過上面的臨界值，來綜合選出用于作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入子內(nèi)容塊。

2.3 選擇出主要內(nèi)容塊

本模塊以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)構(gòu)建，整個(gè)模塊分成兩個(gè)階段:訓(xùn)練階段和測(cè)試階段。

文中運(yùn)用的神經(jīng)網(wǎng)絡(luò)由3層結(jié)構(gòu)組成:輸入層、隱含層和輸出層。實(shí)驗(yàn)證明，多層神經(jīng)元并不會(huì)使結(jié)果更優(yōu)化，反而增加了計(jì)算的復(fù)雜度，因此采用標(biāo)準(zhǔn)3層結(jié)構(gòu)。作用函數(shù)為非線性的Singmod型函數(shù)，表達(dá)式為

3 實(shí)驗(yàn)及分析

從新浪博客、網(wǎng)易體育和百度知道網(wǎng)上分別獲取了3個(gè)不同類型的網(wǎng)頁，數(shù)量都為600個(gè)，其中各自的500個(gè)網(wǎng)頁用作訓(xùn)練，另外各自的100個(gè)網(wǎng)頁用來測(cè)試。實(shí)驗(yàn)結(jié)果的分析通過3個(gè)指標(biāo)來衡量，分別是正確率CR，誤取率ER和漏取率LR。

其中，CB是提取出的正確的內(nèi)容塊數(shù);TB是總的主要內(nèi)容塊數(shù);EB是誤取的內(nèi)容塊數(shù);LB是漏取的主內(nèi)容塊數(shù)。

在運(yùn)用上述3個(gè)模塊對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)后，依據(jù)實(shí)驗(yàn)結(jié)果計(jì)算出各自的3個(gè)指標(biāo)數(shù)據(jù)，用柱狀圖表示如下。

圖2 實(shí)驗(yàn)結(jié)果

如圖2所示，無論從正確率、錯(cuò)誤率和漏測(cè)率都能夠比較正確地把網(wǎng)頁中的冗余信息去除掉，通過從3類網(wǎng)頁的分析和實(shí)驗(yàn)結(jié)果中，得出網(wǎng)易體育的主題性最強(qiáng)，其次是百度知道及新浪博客。而且網(wǎng)易體育的凈化效果在3個(gè)指標(biāo)中也是最好的。從而說明，該方法是對(duì)主題越突顯的網(wǎng)頁效果越好，適合用于網(wǎng)頁分類應(yīng)用中，比如搜索引擎。在搜索引擎按照一定的主題和算法爬取到網(wǎng)頁后，要對(duì)這些網(wǎng)頁進(jìn)行分類和建立索引，這個(gè)凈化方法就會(huì)為網(wǎng)頁的分類提供較大的幫助。

4 結(jié)束語

在改進(jìn)的DOM樹和BP神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上，設(shè)計(jì)了一種新的中文網(wǎng)頁凈化方法，通過實(shí)驗(yàn)結(jié)果，看到了該方法對(duì)于有主題網(wǎng)頁凈化的效果良好，且網(wǎng)頁主題越清晰，效果越好。

［1］張志剛，陳靜，李曉明.一種HTML網(wǎng)頁凈化方法［J］.情報(bào)學(xué)報(bào)，2004(4):387－393.

［2］王建冬，王繼民，田飛佳.一種基于內(nèi)容規(guī)則的網(wǎng)頁去噪算法［J］.現(xiàn)代圖書情報(bào)技術(shù)，2008(3):51－54.

［3］萬樂，左萬利，高金.基于主題的網(wǎng)頁去噪音機(jī)制［J］.計(jì)算機(jī)工程與技術(shù)，2008(8):2072－2084.

［4］劉亞清，陳榮.基于隱馬爾可夫模型的 Web信息抽取［J］.計(jì)算機(jī)工程，2009(18):25 －27.

［5］HIROSHI S，JUN R，MITSURU N.Modified minimum classification error learning and its application to neural networks［C］.SSPR/SPR，1998，1451:785 －794.

［6］SHEN Dou，YANG Qiang，CHEN Zheng.Noise reduction through summarization for Web － page classification［J］.Science Direct，Inf.Process.Manage，2007，43(6):1735－1747.