1.一种语音浏览方法,包括:网页信息提取步骤:对于用户请求的任一网页,首先对其进行网页分类,若判定该网页属于主题型网页,则对网页进行主内容抽取;若该网页为非主题型网页,则进行网页分块;网页格式转换步骤:将HTML格式的网页自动转换为VOICEXML格式的网页;语音推送步骤:基于voiceXML格式网页,向用户朗读网页内容。
2.根据权利要求1所述的语音浏览方法,其特征在于,所述网页格式转换步骤中,对于主题型网页,所抽取的网页主内容设置为优先向用户朗读;对于非主题型网页,为用户设置快捷键以使用户能够在各网页块之间自由切换和选择。
3.根据权利要求1所述的语音浏览方法,其特征在于,所述网页信息提取步骤中,网页分类的算法包括下列步骤:11)对网页进行DOM树解析,计算每一个DOM结点的链接文字比;12)对网页是否为主题型网页进行粗判断以将该网页判定为主题型网页、非主题型网页和网页类型待定的网页;13)根据步骤11)中得出的DOM树中各结点的链接文字比确定所述网页的最大内容结点;14)根据最大内容结点所占区域的位置判断该网页是否为主题型网页。
4.根据权利要求3所述的语音浏览方法,其特征在于,所述步骤12)包括:当DOM树根结点的链接文字比小于预设的第一阈值时,判定该网页为主题型网页,网页分类算法结束;当DOM树根结点的链接文字比大于预设的第二阈值时,判定该网页为非主题型网页,网页分类算法结束;当DOM树根结点的链接文字在所述第一阈值和所述第二阈值之间时,该网页类型待定,转入步骤3)。
5.根据权利要求3所述的语音浏览方法,其特征在于,所述步骤14)中,当最大内容结点所占区域的位置位于网页中心区域时,判定该网页为主题型网页,否则判定为非主题型网页。
6.根据权利要求5所述的语音浏览方法,其特征在于,网页的中心区域定义如下:如页面的坐标是(0,0,width,height),其中(0,0)代表左上角坐标,(width,height)代表页面的右下角的坐标。width指页面的宽度,height指页面的高度,那么网页的中心区域为(0.25*width,0,0.75*width,0.5*height);当最大内容结点所占区域与网页的中心区域有交集时,即判定最大内容结点所占区域的位置位于网页中心区域。
7.根据权利要求3所述的语音浏览方法,其特征在于,所述网页信息提取步骤中,主内容抽取的算法包括下列步骤:21)取最大内容结点所对应的DOM树片段,对该DOM树片段进行遍历,对该DOM树片段中的每个结点,如该结点包含的链接的个数大于预设的链接个数阈值,且该结点的链接文字比大于预设的链接文字比阈值,则判定该结点为噪音结点;否则判定为主内容结点;22)去除所有噪音结点,得到只含主内容结点的子结点集合。
8.根据权利要求2所述的语音浏览方法,其特征在于,所述网页信息提取步骤中,分块处理的算法包括下列步骤:31)获取待分块网页的DOM树;32)遍历所述DOM树,将其中每个只包含1个基本多行结点的结点作为一个基本分块,将每两个只包含1个基本多行结点的结点之间的零散叶结点分别合成一个基本分块;其中,当一个基本多行结点的父结点被作为一个基本分块时,该基本多行结点不再作为一个基本分块。
9.根据权利要求8所述的语音浏览方法,其特征在于,所述分块处理的算法还包括:33)在所述基本分块中找出主题块,将主题块与其后面邻接的若干个非主题块合并;所述主题块中包含主题或分类标签。
10.一种语音浏览器,包括:网页信息提取装置:用于对于用户请求的任一网页,首先对其进行网页分类,若判定该网页属于主题型网页,则对网页进行主内容抽取;若该网页为非主题型网页,则进行网页分块;网页格式转换装置:用于将HTML格式的网页自动转换为VOICEXML格式的网页;以及语音推送装置:用于基于voiceXML格式网页向用户朗读网页内容。
展开