搜索引擎之形成网页中词项的基本权重

网页信息和正文文本最重要的差别就是在网页中含有大量的 HTML 标签（tag）。因此，我们在天网中提出了一个改进的 TF*IDF[Baeza-Yates and Ribeiro-Neto,1999]，[Church and Hanks,1990]算法用于检索和相关度评价算法。相 对传统的 IR 而言，增加了对 HTML 标签和网页的可索引文本长度。可索引文本 长度表示用户通过浏览器窗口看到的一个网页的文本内容长度

考虑被 HTML 标签包围的一段文本内容，到底这些标签应该如何影响这段内 容呢？天网将所有的标签分为两类：一类是影响文本权值的标签，如<FONT>、 <H1>等；另一类是不影响文本权值的标签，如<IMG>、<FRAME>等。在此我们 选择表 10-2 中的标签作为影响文本权值的标签。
对于一个网页，首先给予该网页中的每个特征项一个缺省的权值W0。
..............

本帖为摘要，原帖地址：http://www.seomimic.com/758.html

自己沙发了先！

支持下