提取网页关键词的思路

[ArchiTech]

如何从一个网页上面提取几个关键词来概括网页内容呢？我想分析一些网页，并找出相关的网页匹配到一起。
网页内容繁多，我想到一个简单的办法是只看 document.title 里的文字，网页的主题多数时候就在 title 里面了。

如果要分析整个网页的内容就复杂多了，有没有相关的资料可以推荐我看看呢？

另外匹配的时候单纯看相同的关键词好像也不够准确，如果一个网页里面讲的是台球，另一个网页里面讲的都是桌球，应该也要匹配到一起，因为是一个东西。

[zdnyp]

NPL、卷积神经网络

[chinauniverse]

做一个贝叶斯模型，在线学习，越用越智能。预测个大概应该不成问题

[naomhan]

大部分有 description

[abclearner]

信息提取了解一下 如 if-idf

[zhaiblog]

https://github.com/kingname/GeneralNewsExtractor
这个项目以及项目中提及的论文《基于文本及符号密度的网页正文提取方法》应该能帮到你

[ArchiTech]

@zhaiblog 这个是把网页的内容提取了出来，但是并没有分析内容，最终提取出核心的几个关键词吧？
感谢回复！

[ArchiTech]

也感谢楼上其他人的回复，神经网络的办法我看了下，train model 的部分感觉很大工程啊。。。