[发明专利]基于内容的敏感网页识别方法

权利要求书

1. 一种基于内容的敏感网页识别方法，包括步骤：

预处理步骤包括：

在给定网页的统一资源定位器的条件下，获取该网页的源码，进 行数据分流和预处理，获取文本信息；

获取网页中图像部分的结构信息，挑选重要图像组成有效图像集 合；

网页敏感信息识别步骤包括：

利用连续敏感文本识别器对文本信息进行识别处理步骤；

利用离散文本识别器对文本信息进行识别步骤；

利用敏感图像识别器对图像集合的图像进行识别步骤；

如果离散文本识别器识别结果为不敏感，则敏感图像识别器识别 的结果与离散敏感文本识别器识别的结果融合，根据其融合结果判断 该网页是否敏感。

2. 根据权利要求1所述基于内容的敏感网页识别方法，其特征在 于，所述的网页敏感信息识别步骤如下：

利用连续敏感文本识别器对文本信息进行识别处理，如果识别结 果为敏感，则处理完毕；如果识别结果为不敏感，则执行：

离散文本识别器对文本信息进行识别步骤，如果识别器输出结果 大于阈值，则识别结果为敏感，处理完毕；如果识别结果为不敏感， 则执行：

敏感图像识别器对图像集合的图像进行识别步骤，识别的结果与 离散敏感文本识别器的结果融合，根据其融合结果判断该网页是否敏 感。

3. 根据权利要求1所述基于内容的敏感网页识别方法，其特征在 于，挑选出重要图像步骤包括：

获取该网页所包含每幅图像的尺寸信息；

如果图像尺寸大小符合事先统计好的规则，该图像视为重要图 像，则划分至有效图像集合中。

4. 根据权利要求1所述基于内容的敏感网页识别方法，其特征在 于，利用连续敏感文本识别器识别文本步骤包括：

提取该文本的特征；

把文本特征输入到事先已经训练好的支持向量机中，输出结果为 1则该文本为敏感，处理完毕，否则继续处理。

5. 根据权利要求1所述基于内容的敏感网页识别方法，其特征在 于，利用离散敏感文本识别器识别文本步骤包括：

利用向量空间模型提取该文本的特征；

把文本特征输入到已经训练好的贝叶斯网络中，输出的结果为该 文本输入敏感的概率，如果概率值大于阈值τ，则文本为敏感，处理完 毕，否则继续处理。

6. 根据权利要求1所述基于内容的敏感网页识别方法，其特征在 于，对图像集合的图像识别步骤包括：

利用图像识别器对每幅图像进行识别，识别结果为敏感的图像数 量为N₁，识别结果为正常的图像数量为N₂。

7. 根据权利要求1所述基于内容的敏感网页识别方法，其特征在 于，所述融合结果判断是：如果结果大于1，则该网页为敏感，否则为 正常，处理完毕。