宋 鳌，支 琤 ，周 军，罗传飞 ，安 然

（1.上海交通大学 电子工程系图像通信与信息处理研究所，上海 200240；2.上海交通大学 上海市数字媒体处理与传输重点实验室，上海 200240；3.上海文广互动电视有限公司，上海 200072）

责任编辑:史丽丽

0 引言

一个网页一般包含一些内容块，但除了这些内容块，文献[1]中往往包含导航栏、版权信息、公告消息以及各种各样形式的广告，它们的存在是为了商业目的或者便于用户使用，这些与主题无关的信息称之为网页噪声块。如何降低网页中的噪声，对于网页分类、特征提取、内容聚合具有重要意义，已成为在三网融合的大背景中，基于多媒体内容融合[2]的研究热点。笔者提出了一种基于LCS的特征树结构最大相似性匹配算法，对目标网页及其相似网页生成的特征树进行相似性匹配，然后根据匹配结果的不同之处生成内容块候选集，并对候选集根据内容块的相似程度和树结构进行聚集，对聚集结果的特征进行分析评分得到最后的内容块，达到网页去噪的目的。

1 相关研究

目前已有很多种网页去噪算法，有基于网页视觉特性的，利用一个网页布局来建立视觉结构，同时利用这个视觉结构将网页分块[3-4]；在对网页分块之后，利用人工标注并通过神经网络和支持向量机来对网页块特性到块重要性的映射函数进行学习，最后得到通用的映射方法[5]。也有基于规则的，通过定义一些映射规则，将网页的一些特征转化为权值，通过权值比较来实现内容块和噪声块的区分[6-9]。……