java - 使用 Stanford CoreNLP/NER 提取标题（书籍、文章等）？

Question

是否有一些标签序列可能指示网页中的标题？例如，从亚马逊页面中提取书名，其中其他文本/句子可能具有相似的句子结构。我觉得这是一项非常基础的任务，但无法弄清楚如何使用斯坦福的 NER/CoreNLP 来完成它。

提前致谢！

Answer 1

不使用 CoreNLP 库的解决方案 - 如果您正在寻找网页上的标题，为什么不解析<title>标签？

例如，饥饿游戏的亚马逊书页标题 ( http://www.amazon.com/Hunger-Games-Trilogy-Boxset/dp/0545626382/ref=sr_1_2?s=books&ie=UTF8&qid=1386299491&sr=1 -2&keywords=饥饿+游戏）是：

饥饿游戏三部曲套装：Suzanne Collins：9780545626385：Amazon.com：书籍

当然，标题标签取决于网站，它们可以与页面相关，也可以只是总体网站的标题。

Answer 2

检测一系列 html 标签并不是真正的 NLP 问题。请参阅网络抓取。您可以编写一组 regex / xquery / etc. 规则来检测特定语料库中的标题。Pdfs 和其他文档也有一些可以利用的标记，请参阅tika 解析器。

对于科学文章，您可以轻松地将标题作为几个换行符之前的第一件事，或类似的东西。