• URLにページ内アンカーが含まれている場合は、そのアンカー部以降を評価するようにした
• ChaSenで形態素解析したあと、名詞・未知語・記号要素の連続は複合語としてまとめて扱うようにした

ってだけなんだけど、前よりもだいぶいい感じで抽出できるようになった気がする。