Web-page Classification through Summarization,2004

《基于摘要的网页分类方法》

较早期的网页分类论文，论文作者有很多。综合比较了几种网页摘要算法在网页分类中的表现，提出网页分类不应照搬纯文本分类的老路，而应该在去除网页噪声，提取网页主旨大纲上下功夫。论文实现了四种摘要提取算法，分别是：Adapted Luhn’s Summarization Method，Latent Semantic Analysis (LSA)，Content Body Identification by PageLayout Analysis，Supervised Summarization。

简单总结四种提取算法：

Adapted Luhn’s Summarization Method：以句子为粒度，赋予每句话的重要度（significance factor），只选取重要度最高的几句话作为网页特征。为了计算句子的重要程度，首先制作一张重要词表，这里似乎是根据tfidf选择的。