是否有某些标签序列可能表示网页中的标题？例如，从其亚马逊页面中提取书籍的标题，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本的任务，但无法弄清楚如何使用斯坦福大学的NER / CoreNLP。
提前致谢！
答案 0 :(得分：1)
不使用CoreNLP库的解决方案 - 如果您要在网页上查找标题，为什么不解析<title>代码？
例如，饥饿游戏（http://www.amazon.com/Hunger-Games-Trilogy-Boxset/dp/0545626382/ref=sr_1_2?s=books&ie=UTF8&qid=1386299491&sr=1-2&keywords=hunger+games）的亚马逊书页的标题是：
饥饿游戏三部曲Boxset：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，也可以只是一般网站的标题。
答案 1 :(得分：0)
检测一系列html标签实际上并不是一个NLP问题。见web scraping。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你可以利用的标记，请参阅tika parser。
对于科学文章，你可以轻易指望标题是在几个换行符之前的第一件事，或类似的东西。