公开(公告)号：CN103064966B

公开(公告)日：2016-01-27

申请号：CN201210592795.0

申请日：2012-12-31

Applicant: 中国科学院计算技术研究所

Inventor： 程学旗 ,  李海燕 ,  郭岩 ,  万圣贤 ,  郭少华 ,  刘悦 ,  余智华

IPC: G06F17/30

Abstract: 本发明提供一种从单记录网页中抽取规律噪音的方法，所述方法包括：首先将多个单记录网页转化为DOM树，并且将所述DOM树按照结构进行分类；然后，将同一类别的DOM树进行对齐合并得到站点板块风格树；在所述站点版块风格树中定位网页正文标题节点的近似位置和网页正文主体节点的近似位置，最后根据所述网页正文标题节点和所述网页正文主体节点的近似位置，抽取正文前、正文中和正文后的规律噪音。所述方法减少了建站点版块风格树所需的空间资源、降低了可能出现的漏抽取的情况，加快了抽取速度；此外，本发明的抽取结果具有较高的准确性，取得了较好的效果，并且可靠性高。

公开(公告)号：CN104298732A

公开(公告)日：2015-01-21

申请号：CN201410514028.7

申请日：2014-09-29

Applicant: 中国科学院计算技术研究所

Inventor： 程学旗 ,  杜慧 ,  张瑾 ,  黄康平 ,  余智华 ,  刘悦 ,  刘玮

IPC: G06F17/30

CPC classification number: G06F17/30867

Abstract: 本发明提供一种面向网络用户的个性化文本排序及推荐方法，所述个性化文本排序方法包括对于用户的每条包括具有关键词和运算符的表达式的兴趣规则，执行以下步骤：1)、对于多个文本中的每个文本提取关键词和该关键词在该文本中的权重。2)、对于所述多个文本中的每个文本，计算该文本与该兴趣规则对应的表达式树的相似度；其中，表达式树是根据兴趣规则中包括的表达式建立的，表达式树中的节点分为运算符节点和文本节点，文本节点包括关键词和该关键词在该兴趣规则中的权重。3)、根据与所述表达式树的相似度大小，对所述多个文本中的每个文本进行排序。本发明能够在稀疏用户行为的场景下有效地将符合个性化需求的文本信息推荐给用户。

公开(公告)号：CN103870506A

公开(公告)日：2014-06-18

申请号：CN201210548678.4

申请日：2012-12-17

Applicant: 中国科学院计算技术研究所

Inventor： 程学旗 ,  万圣贤 ,  余钧 ,  郭岩 ,  刘悦 ,  张瑾 ,  余智华

IPC: G06F17/30

CPC classification number: G06F17/30864 ,  G06F17/30929

Abstract: 本发明公开了一种网页信息的抽取方法和系统。包括：获得已标注网页，生成语义结构树，构建信息模式图，生成信息模式图中每个语义属性节点的语义属性节点信息，生成包装器，将包装器导出为包装器文件；构建用于抽取已标注网页的同类网页的抽取器；获得待抽取网页，抽取器在待抽取网页的DOM树中，从信息模式图的根语义属性节点开始逐层递归抽取信息模式图的每个语义属性节点对应的抽取数据区或者抽取迭代数据区；导出每个语义属性节点对应的抽取数据区或者抽取迭代数据区中的数据作为抽取结果。本发明具有较高的通用性、泛化能力、容错性、可扩展性以及较低的人工参与度，同时本发明也保证了在线抽取的效率，从而具有较高的实用性。