[发明专利]一种基于偏好度的网页文本内容管控方法

权利要求书

1.一种基于偏好度的网页文本内容管控方法，其特征在于，包括网页库生成步骤、网页库分析步骤和用户信息反馈步骤，其中，

网页库生成步骤包括如下分步骤：

S11.对网页文本信息分别进行分词，并且利用停用词表，除去分词里面的常用停用词，得到特征值f_i；

S12.计算每个词汇的统计值，按照对词汇进行降序排序，选出与分类最相关的M个特征值，表示特征值为f_i的统计值，具体计算公式如下：

χavg2(fi)=Σj=1np(cj)·χ2(fi,cj)=Σj=1np(cj)·N·(A1·A4-A3·A2)2(A1+A3)·(A2+A4)·(A1+A2)·(A3+A4)]]>

其中，A₁表示属于c_j类别并且含有特征值f_i的网页数量，A₂表示属于c_j类别并且不含特征值f_i的网页数量，A₃表示不属于c_j类别并且含有特征值f_i的网页数量，A₄表示不属于c_j类别并且不含特征值f_i的网页数量，N表示所有的网页数量。

S13.根据以下公式计算出每个特征值fi的条件概率值p(F＝fi|C＝c_j)，

p(F=fi|C=cj)=nijNum(cj),cj∈{preference,non-preference}]]>

其中，n_ij为特征值fi在c_j类别网页中出现的次数，Num(c_j)为c_j类别的网页总数，preference表示用户感兴趣的分类，non-preference表示用户不感兴趣的分类；

S14.将提取出来的特征值和相对应的概率值，以及每个类别的网页总数记录下来，构成偏好网页库；

网页库分析步骤包括如下分步骤：

S21.计算出当前待分析网页文本d＝{f₁，f₃，...，f_n}的偏好度p(C＝preference|d)，

p(C=preference|d)=P(C=preference)*Πi=1nP(F=fi|C=preference)Σcj∈CP(C=cj)*Πi=1nP(F=fi|C=cj)]]>

p(C=cj)=Num(cj)Num(page),cj∈{preference,non-preference}]]>

其中，Num(page)为所有网页的数量，Num(c_j)为属于c_j类的网页数量，p(F＝fi|C＝c_j)为网页库生成阶段计算出来的概率值；

S22.将计算出的偏好度p(C＝preference|d)与用户初始设定的阈值进行比较，如果此偏好度大于阈值，则将该网页标记为用户所关心的网页。

用户信息反馈步骤包括如下分步骤：

S31.提取用户当前网页的特征值，以及计算特征值在网页中出现的频率fn_i；

S32.如果是一个没有推荐给用户的网页是用户所关心的，则执行步骤S33，如果是一个推送给用户的网页是用户所不关心的，则执行步骤S34；

S33.计算每一个特征词的概率值p^*(F＝fi|C＝preference)

p*(F=fi|C=preference)=npreference+2*fniNum*(preference)]]>

Num^*(preference)＝Num(preference)+2

其中，n_preference为该特征词在用户关心的网页中出现的次数。用p^*(F＝fi|C＝preference)替换该特征值原有的概率值p(F＝fi|C＝preference)，用Num^*(preference)替换Num(preference)，更新偏好网页库；

S34.计算每一个特征词的概率值p^*(F＝fi|C＝non-preference)

p*(F=fi|C=non-preference)=nnon-preference+2*fniNum*(non-preference)]]>

Num^*(non-preference)＝Num(non-preference)+2

其中，n_{non-preference}为该特征词在用户不关心的网页中出现的次数，用p^*(F＝fi|C＝non-preference)替换该特征值原有的概率值p(F＝fi|C＝non-preference)，用Num^*(non-preference)替换Num(non-preference)，更新偏好网页库。

2.根据权利要求1所述的网页文本内容管控方法，其特征在于，S11所述的分词具体采用分词工具ICTCLAS3.0进行。