[发明专利]一种WEB信息抽取方法

权利要求书

1.一种WEB信息抽取方法，该方法基于语义标记，包括正文抽取方法和评论抽取方法，其特征在于：所述正文提取方法分成以下步骤实现：

第一步，设从线性序列的头开始顺序遍历，遇到第一个F2评论属性的语义标记停止，则最后一个F2正文属性的语义标记节点的位置为POSlast，第一个具有F3评论属性的语义标记节点的位置为POS_first；

第二步，将页面线性序列中0..POS_first-1的子序列设为初始正文区，在该区域内选择一个信息量最大的文本块作为正文内容，设该正文内容节点对应的位置为POS_article；

第三步，将调整后的正文区序列区间的终止位置设置为POS_last=max(POS_last，POS_article)；

第四步，评论区序列区间的起始位置设置为POS_first=max(POS_last，POS_article)+1，从而完成正文区和评论区的切分；

其中，F2是表示正文结束特征的语义标记,F3是表示评论开始特征的语义标记。

2.根据权利要求1所述的方法，其特征在于还包括所述评论抽取方法具体包括步骤：

(1)多条评论的抽取模型，确定评论区后，评论区内线性序列的语法模型就简化为F3* (F3*C_RF3*)*F4，该模式反映评论区的多条评论具有周期性重复的特征；

(2)评论抽取方法，依据上面OneReview的初始区间确定和起始位置计算的思想，已经可以确定一条评论回复序列的完整区间模式，进而就可以利用这个模式序列去识别评论区的所有其他评论；

其中F1是说明正文开始特征的语义标记， F4是表示评论结束特征的语义标记，C_T为正文内容，C_R为每个评论回复的内容。

3.根据权利要求2所述的方法，其特征在于还包括所述多条评论的抽取模型的提取过程分为两个步骤；

首先在评论区序列ReviewList中选择出现次数最多的语义标记对应的位置序列，则相邻两个位置Pos_i和Pos_i+1之间就确定了一个完整评论回复包含的所有节点信息，只是评论信息的起点不一定是所选的语义标记，将Pos_i..Pos_i+1-1序列区间称为OneReview，即单条评论区间；

其次，选定OneReview后，需要沿ReviewList从OneReview的起始位置向前逐一回溯语义标记，如果回溯的语义标记与OneReview区间内的最后一个语义标记相同，则将OneReview区间的起点和终点均前移一个位置，如此循环，直到到达评论区起始点或者回溯的语义标记与OneReview区间内的最后一个语义标记不同为止，此时的OneReview就是起点正确的评论回复区间。