企业社会媒体主题信息提取算法研究.pdfVIP

总第173期 doi：10．3969／j．issn．1005—2798．2014．01．031 企业社会媒体主题信息提取算法研究 孙 宝华 (潞安矿业集团公司租赁站，山西长治 046204) 摘 要：鉴于已有信息提取方法的可改进之处 ，结合对 HTML网页性质的统计和分析，针对社会媒体中的 用户生成数据，提出一种网页主题信息提取算法。算法依据 DOM 的树型结构特点，充分考虑节点中非链 接文字总数和超链接总数这些语义信息，对其进行基于HTML标签的过滤和基于语义的剪枝，能够准确地 提取出网页HTML文档的主题信息。实验证明，提取到的主题信息具有较高的准确性和完整性。 关键词：社会媒体：网页主题信息；DOM树 中图分类号：TP393 文献标识码：B 文章编号：1005—2798(2014)叭一0072—05 越来越多的用户通过贴吧、博客、评论网站、论 标签类型以及标签属性对主题的影响，对 DOM树 坛等网络社区发表 自己对一些事件的观点和看法， 节点进行语义扩展并计算其影响度因子，与设定的 形成了丰富的社会媒体。这些社会媒体，因其以网 阈值比较来进行剪枝，进而提取 Web页面信息内 络社区为平台，可以直接发表，因此具有直接性；因 容 但是这种方法在处理没有显著标签特征的 其可以借助网络迅速传播 ，具有突发性：因其发言者 Web页面时会出现歧义。文献f3]通过设置过滤器 身份隐蔽，且对其发言内容缺少规则限制和有效监 过滤掉与主题无关的内容，但在删除网页非主题相 督，具有偏差性。因此，社会媒体对于社会舆论导向 关内容的过程中，没有考虑到语句的上下文相关性， 具有强大的影响力。如果网民关注的话题涉及到某 有可能会删除正文中的链接列表，使提取结果不完 个企业，将直接影响企业的发展环境、市场形象，对 整 。文献 4『]提出基于并行模糊归类的网页提取方 企业正常的生产秩序、发展前景产生严重影响。 法，就是用相应类的规范特征词替换网页中的各种 随着 Internet的飞速发展，用户生成的网络数 各样的特征词，使网页信息的表述形式得到统一化， 据快速集聚。仅依靠人工的方法难以应对网上海量 在一定程度上加快了提取速度．并提高了提取准确 信息的收集和处理，企业、政府及相关管理机构急需 度 但实际上并非都是如此，而且此方法没有对 高效、先进的技术手段，针对网络舆情信息进行挖掘 HTML结构化的特征做出提取，在处理时准确度不 与分析，把握处理危机事件的最佳时机，从而提高处 高。 理网络突发事件的能力和监管能力。 在总结已有的信息提取方法的基础上，结合对 因此，借助现代化计算机技术及算法对社会媒 HTML网页性质的统计和分析，本文提出一种新的 体数据进行提取和分析，及时掌握网民的情感取向， 网页主题信息提取算法．算法依据 DOM 的树型结 具有巨大的商业和社会价值。本文针对企业社会媒 构特点，充分考虑节点中非链接文字总数和超链接 体主题信息提取算法展开研究，为后续的数据分析、 总数这些语义信息，对其进行基于HTML标签的过 情感计算提供数据源，具有一定的研究价值。 滤和基于语义的剪枝，能够准确地提取出网页HT． 国内外对网页信息提取 已经进行了大量的研究 ML文档的主题信息，实验证明，提取到的主题信息 工作。文献 『1]的方法将添加了语义描述信息的 具有较高的准确性和完整性。 STU树与 DOM(DocumentObjectMode1)树相结合 ， 信息检索主要依赖现有的有哪些信誉好的足球投注网站引擎在互联网上