文件名称：web2text:论文“ Web2Text的源代码
文件大小：30.55MB
文件格式：ZIP
更新时间：2024-05-26 18:39:39
HTML
Web2文字 源代码，ECIR '18上的全文 介绍 该存储库包含 Scala代码将（X）HTML文档解析为DOM树，将其转换为CDOM树，将树叶解释为一系列文本块，并为每个这些块提取特征。 这些功能之上的Python代码，用于训练和评估一元和成对的CNN。 可以使用所提供的Viterbi算法实现，基于CNN输出电势对隐马尔可夫模型进行推断。 src/main/resources/cleaneval/下的数据集： orig ：原始页面 clean ：参考干净的页面 aligned ：使用我们的论文中描述的对齐算法，按字符将干净的内容与相应的原始页面对齐 来自CleanEval上其他各种网页清洁器的输出，位于other_frameworks/output ： （Finn等，2001） （Kohlschütter等，2010）：默认提取器，文章提取器，最大内容提取器 （Geitg