[发明专利]一种基于neo4j图形数据库自动提取网页正文内容的方法有效
| 申请号： | 202010138403.8 | 申请日： | 2020-03-03 |
| 公开（公告）号： | CN113343140B | 公开（公告）日： | 2022-12-13 |
| 发明（设计）人： | 刘亮;李萧洋;郑荣锋;李孟铭 | 申请（专利权）人： | 四川大学 |
| 主分类号： | G06F16/958 | 分类号： | G06F16/958;G06F16/81;G06F16/84 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 610065 四川*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本方法公布了一种基于neo4j图形数据库自动提取网页正文内容的方法。本方法包括：步骤S101，利用模拟浏览器请求技术从开源渠道获取网页的HTML源码作为训练集合；步骤S102，提取HTML标签并将HTML源码转换为树形结构；步骤S103，遍历树中的所有节点提取出表示节点之间关系的三元组；步骤S104，利用neo4j图形数据库将关系三元组转换成图；步骤S105，通过节点压缩和枝节压缩，去除图中的冗余节点；步骤S106，提取多维特征，通过机器学习训练正文节点分类模型；步骤S107，利用分类模型提取出网页中的正文节点，并由正文节点的子节点按顺序恢复出完整的网页正文内容。本发明提供了一种简单易用、准确高效地提取网页正文内容的实现方法。 | ||
| 搜索关键词： | 一种 基于 neo4j 图形 数据库 自动 提取 网页 正文 内容 方法 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于四川大学，未经四川大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202010138403.8/，转载请声明来源钻瓜专利网。
