郭培勝 張 燕

一種基于英文網(wǎng)頁描述性信息的摘要算法

郭培勝 張 燕

本文給出了一種基于英文網(wǎng)頁的描述性信息（context）的摘要算法。該算法改進(jìn)了提取描述性信息的方法，用HtmlParser工具提取所有符合條件的描述性信息。對(duì)描述性信息集進(jìn)行預(yù)處理后，討論了如何解決描述性信息集的相關(guān)性問題，并通過實(shí)驗(yàn)結(jié)果對(duì)比分析了本摘要算法中混合法和聚類法的性能。

網(wǎng)頁自動(dòng)摘要技術(shù)是利用計(jì)算機(jī)從網(wǎng)頁的文本中抽取句子或利用網(wǎng)頁的特點(diǎn)得到網(wǎng)頁內(nèi)容的縮減版本，據(jù)此預(yù)先了解網(wǎng)頁的內(nèi)容，并判斷是否有必要瀏覽網(wǎng)頁全文從而節(jié)省瀏覽時(shí)間的一門技術(shù)。本文第一部分描述描述性信息獲取和預(yù)處理技術(shù)，第二部分詳細(xì)介紹該摘要算法，第三部分對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，最后第四部分是結(jié)論。

獲取描述性信息及預(yù)處理

網(wǎng)頁來源是通過在搜索引擎工具（如Google）的搜索框中搜索得到的，得到源網(wǎng)頁之后，采用HtmlParser工具和eclipse編程軟件，先匹配目標(biāo)網(wǎng)址，找到其所在的節(jié)點(diǎn)，然后得到其父節(jié)點(diǎn)的內(nèi)容，也即得到了描述性信息。但描述性信息集里還是有大量的噪聲。所以首先去掉換行，去掉多余的空格等，作為預(yù)處理的第一步。并依次通過去重、去掉只包含了目標(biāo)網(wǎng)頁的標(biāo)題和網(wǎng)址、考慮描述性信息的大小原則和停用詞原則，得到經(jīng)預(yù)處理后的描述性信息集。

算法

經(jīng)預(yù)處理后得到的描述性信息集可能存在如下兩個(gè)問題：

1.得到的描述性信息部分地概括了網(wǎng)頁的內(nèi)容，即片面性問題；

2.得到的描述性信息與網(wǎng)頁相關(guān)，但是沒有概括網(wǎng)頁的內(nèi)容，即相關(guān)性問題。

本文主要研究相關(guān)性問題。

在描述性信息集中，定義一個(gè)描述性信息為相關(guān)描述性信息（reference context），定義描述性信息集D 中描述性信息S 的話題度為T（ S， D）。

下面是解決相關(guān)性問題的兩種算法。

混合法

描述性信息S 與文本C中句子的話題相關(guān)度能用廣義滿意度來衡量，如公式（1）：

混合摘要算法如下：

計(jì)算描述性信息S與目標(biāo)文本中句子的話題相關(guān)度。根據(jù)1）的結(jié)果對(duì)描述性信息排序；

選擇具有最高的話題相關(guān)度權(quán)值的描述性信息作為摘要。

聚類法

當(dāng)目標(biāo)文本的文字信息太少時(shí)，不適合用目標(biāo)網(wǎng)頁的文本作為輸入信息，也不適合采用算法一來找出最能描述網(wǎng)頁內(nèi)容的描述性信息。這里選擇層次聚類算法。

首先選擇一個(gè)相似函數(shù)，相似度量用經(jīng)典的余弦相似度。讓S1和S2分別由向量〈w1i，...，wi

N〉和〈w1k，...，wNk〉代表。相似度值公式（2）如下：

設(shè)定摘要的最大長度為l ，描述性信息集為：S=｛Si｝i=1..N。

以下是聚類法的步驟。

指定每個(gè)句子的類，定義每兩個(gè)類｛Si｝和｛Sk｝的相似度Sim（ Si， Sk）。找出最接近的兩個(gè)類并合并，這樣使總的類數(shù)減一。計(jì)算每一個(gè)舊類和新類的相似度。這里把兩個(gè)類的描述性信息之間的相似度值求平均作為兩個(gè)類的相似度值。

圖1 改進(jìn)后的混合法與改進(jìn)前的混合法的相似度值比較

圖2 改進(jìn)后的聚類法與改進(jìn)前的聚類法的相似度值比較

反復(fù)步驟2）和步驟3），直到所有類都聚為大小為N的一個(gè)類，或者最相似的兩個(gè)類之間的相似值小于給定門限α（0≤α≤1）。

去除只有一個(gè)元素的類。

根據(jù)類所包含的描述性信息的個(gè)數(shù)來降序排列類，得到｛C1，...，Cp｝。

對(duì)每個(gè)類Ci運(yùn)用排序函數(shù)f。這里采用基于網(wǎng)頁內(nèi)容的摘要算法的Lexrank算法來對(duì)同一類的描述性信息進(jìn)行排序，找出權(quán)值最高的描述性信息作為摘要。

當(dāng)i〈min（l， p）時(shí)，認(rèn)為Ci是排序函數(shù)f 的最大值。

實(shí)驗(yàn)結(jié)果分析

下面分析摘要算法中混合法和聚類法的性能。比較文獻(xiàn)中的未改進(jìn)的混合法與本文的混合法的結(jié)果，主要比較兩種算法與理想摘要的相似度，該相似度用計(jì)算單詞頻率和余弦相似度來完成，比較結(jié)果見圖1。

通過圖1可以看出，與改進(jìn)前的方法相比，改進(jìn)后的混合法與理想摘要的相似度值更高，說明改進(jìn)后的方法生成的摘要更接近理想摘要。也證實(shí)了改進(jìn)后的混合法中用HtmlParser工具得到更多的質(zhì)量較高的描述性信息集的必要性。

比較文獻(xiàn)中的未改進(jìn)的聚類法與本文的聚類法的結(jié)果，方法同上，比較結(jié)果見圖2。其中未改進(jìn)的聚類法的排序函數(shù)采用平均TF-ISF方法。

通過圖2可以看出，與改進(jìn)前的方法相比，改進(jìn)后的聚類法與理想摘要的相似度值更高，說明改進(jìn)后的方法生成的摘要更接近理想摘要。同圖1一樣，證實(shí)了改進(jìn)后的聚類法中用HtmlParser工具得到更多的質(zhì)量較高的描述性信息集的必要性，也反映了在處理相關(guān)性問題時(shí)采用Lexrank方法比采用平均TF-ISF方法能得到更好的描述網(wǎng)頁內(nèi)容的描述性信息作為摘要。

結(jié)束語

本文提出了一種基于描述性信息的摘要算法。針對(duì)預(yù)處理后的描述性信息集存在的相關(guān)性問題，分別對(duì)傳統(tǒng)混合法和聚類法進(jìn)行了改進(jìn)，對(duì)比實(shí)驗(yàn)結(jié)果表明改進(jìn)后的方法生成的摘要更接近理想摘要，對(duì)網(wǎng)頁摘要算法研究有一定的參考價(jià)值。

10.3969/j.issn.1001-8972.2015.23.011