前面提到

，大量的HTML 標記既給網(wǎng)頁的預處理造成了一些麻煩，也帶來了一些新的機遇。 從信息檢索的角度講，如果系統(tǒng)面對的僅僅是內容的文字，我們能依據(jù)的就是“共有詞匯假 設”（shared bagof words） ，即內容所包含的關鍵詞集合，最多加上詞頻（term frequency或tf、TF）和詞在文檔集合中出現(xiàn)的文檔頻率（documentfrequency 或df、DF）之類的 統(tǒng)計量。而TF 和DF 這樣的頻率信息能在一定程度上指示詞語在一篇文檔中的相對重要性或者和某些內容的相關性，這是有意義的。有了HTML 標記后，情況還可能進一步改善，例如 在同一篇文檔中，<H1>和</H1>之間的信息很可能就比在<H4>和</H4>之間的信息更重要。特別地，HTML 文檔中所含的指向其他文檔的鏈接信息是人們近幾年來特別關注的對象，認 為它們不僅給出了網(wǎng)頁之間的關系