[00761934]基于文本结构权重的主题区域识别技术

互联网的蓬勃发展，使其成为当今最大的信息来源。通过浏览网页和搜索引擎，人们可以获得部分所需信息，为了更加方便快捷的获取信息，出现了Web信息抽取技术，它通过对Web网页的包装分析，将半结构化的网页转化为结构化的数据，并抽取出目标信息。该项目提出了基于文本结构权重的主题区域识别算法。该算法基于树结构，将Web网页解析为标签树，在树匹配算法的基础上，改进了数据区域挖掘算法和语义链接块识别算法，实现了去链接的预处理；提出了文本结构权重的概念，并采用文本结构权重的计算结果识别主题区域的发现算法；最后采用归一化的方法计算主题区域内的文本结点相对长度值，利用归一化相对长度值，有效的去除和主题内容无关的文本节点，实现了主题区域去噪，得到了准确的主题内容。该研究结果能准确快速的挖掘出Web上有价值的信息，有着广阔的应用前景。该研究的目标即是在互联网上抽取有用的文本主题信息，并将抽取到的文档主题内容转换为声音。这一应用可以帮助眼障人士使用互联网，从而获取实用信息，为用户节约宝贵的时间和精力。在现实中该研究结果有着许多具体的应用，比如：该产品可以用于语音新闻浏览，这对视障者(包括盲人和低视力者)来说，可以容易获取互联网的信息。另外，普通的浏览器只提供视觉上的体验，大多数网站只针对视力正常人制作，一般都没有考虑到为视障者提供服务，因此该功能可满足视障者浏览WEB页面的需求。该产品可以用于手机或能无限上网的便携设备上，使用户在路上或车上不用查看屏幕即可听到网络抽取的信息；该产品还可以做成盲人上网本。基于HTML的WEB页面的一大特点是页面上充满着超级链接，这些链接指向另外一个页面，视障者无法正确定位这些链接，也就无法有效的实现网页跳转。为了能让视障者更好的利用互联网资源，可以利用自动化抽取主题的方法并通过TTS技术实现朗读，这样就可以有效的帮助他们从互联网中获取知识。盲人具有超乎常人的听力和音感，只要经过适当训练盲人即可操作上网本。介于上述两点，该产品具有较好的产业化前景。技术合作方式：合作开发、技术转让