java - HTML中的句子边界检测

Question

我需要检测 HTML 中的句子边界。那里有很多句子边界检测软件（java.text.BreakIterator 是我正在使用的软件），但所有这些软件都假设纯文本。HTML 比这更丰富，并且包含一些关于句子中断位置的线索。

例如，, <ul>/<li>, <td>其他标签标记句子边界，或者至少表明句子可能不会跨越它们。, , , , <a>句子中可能会出现其他一些标签。

除了正常的 NLP 内容之外，是否有人知道任何利用 HTML 标记来确定句子边界的软件？

score 1 · Accepted Answer

我实现的解决方案是 1. 将文档拆分为所有 html 标记上的单独块，除了内联标记（、、等），2. 从每个块中去除内联标记， 3. 使用传统方法在每个块中查找句子.

1 回答 1