基于DOM树语义修剪的藏文Web信息提取算法研究

在本项目的藏文Web信息提取中，建立DOM树算法的基础上，通过网页脚本的语义分析和藏文网页中藏文语义和语法的特征分析，对DOM树进行语义修剪算法研究，并通过修剪的DOM树，结合小型的语料库，进行主题信息块的路径识别和模式发现，然后提取到的信息转存到数据库中。 .在研究过程中通过藏文网页的采集，转化成XML格式的文件，建立藏文网页文档库，为算法的测试提供基础。其次在文档库中选择藏文样本网页进行训练，并建立规则库。根据规则从藏文网页文档库中提取藏文文本，建立藏文网络信息数据库。