网站分类到博客，新闻或论坛

我想知道是否有任何已知的方法将网站按照HTML级别存在的结构模式分类为博客，新闻，论坛（或其他类型的CMS类型）而不是纯粹的内容。我不认为只有基于文本的分析才能区分这种类型的分类吗？直观地说，特别是对于博客/新闻和论坛之间的区别，关于结构模式的频率和多样性（模式可以是例如代表标记路径的XPath表达式）有明显的区别。我如何选择这些结构特征，以便达到分类目标？有没有成功的开源方法？网站分类到博客，新闻或论坛

来源

2013-10-31 marilena.oita

你想看看HTML元素只（不包括其文本内容）看一下吗？那么'

'而不是'

Author: John

'？ – unor

我想在分类任务中使用文本特征，但也要结构化。统计例如重复结构模式的数量（如元素的HTML编码，可能抽象非常具体的属性 - 没有文本）。例如在论坛上，这个数字会高于新闻页面（除非页面的评论数量很高......）。 –

您可以通过添加某些属性的HTML标记

使用谷歌提出的结构化内容的方法就拿这里http://schema.org/docs/gs.html

来源

2013-10-31 17:37:31 boksiora

对不起，我不确定我明白这将如何帮助。 –

网站分类到博客，新闻或论坛

回答

相关问题