基于链路压缩树的网页相似度研究

摘要：

大多网页都是基于服务器端模板生成的,所以在同一个站点经常看到很多外观相同内容相似的网页.HTML是一种半结构化的标记语言,每个HTML网页都对应一个DOM树结构.网页的相似性表现结构上就是结构相似性.研究网页结构相似性的方法有很多,本文从DOM树中的链路结构的角度来研究不同网页间的相似性,并提出了基于链路压缩树的结构相似度度量模型.本文中的计算方法都用Python语言实现.通过实验,本文使用多种方法对不同网页间的相似度进行了计算和分析,实验数据表明,基于链路压缩树的结构相似度度量模型具有较好的适用性,其速度是传统方法不可比拟的.

关键词：网页结构、链路相似度、结构相似度、链路压缩树

所属期刊栏目：31

分类号：TN9;TP3

资助基金：国家自然科学基金资助项目70671016

在线出版日期：2012-02-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：40-46