如何從隨機文章中提取主圖像？

Question

我想建立一個新聞彙總系統，我將不得不每天從新的新聞門戶處理網頁。我如何從網頁中提取新聞文章的主要圖像，而無需爲每個門戶編寫html提取處理程序。我怎麼能猜出當大多數頁面中有10-15個隨機廣告和側面圖像時，哪個是文章的主要圖像。我試圖選擇每頁最大的圖像，但這並沒有很好的工作，並給出了許多誤報

Answer 1

有沒有這樣的事情，在網站上的「主要」圖像。這個概念完全依賴於上下文，就新聞而言，它可能是「與文本相關的圖像」，但這是非常具體的情況 - 如果新聞中有許多圖像顯示某種情況會怎樣？

由於很難定義你的真正含義，所以基於機器學習的方法似乎是合理的，因爲「通過示例學習」應該更容易實現。

我會提取每個圖像的最有前途的特點：

• 其相對大小他人
• 它從新聞容器在網頁
• 的DOM距離是否它的名字containes關鍵字，比如「新聞」; 「主」
• 是否不包含「壞」的關鍵字，如一些「廣告」，「標識」，「菜單」

然後火車就可以儘可能簡單的分類器（貝葉斯或Logistic迴歸）收集一套樣品。