[发明专利]通过网页多视图数据关联组合识别垃圾网页的方法有效

专利信息
申请号: 201210187098.7 申请日: 2012-06-07
公开(公告)号: CN102750345A 公开(公告)日: 2012-10-24
发明(设计)人: 张化祥;高爽 申请(专利权)人: 山东师范大学
主分类号: G06F17/30 分类号: G06F17/30
代理公司: 济南圣达知识产权代理有限公司 37221 代理人: 张勇
地址: 250014 山*** 国省代码: 山东;37
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 通过 网页 视图 数据 关联 组合 识别 垃圾 方法
【权利要求书】:

1.一种通过网页多视图数据关联组合识别垃圾网页的方法,其特征是,首先提取已标记网页的内容特征数据及超链接特征数据,分别称为内容视图及链接视图,并表示为已标记网页的内容矩阵和链接矩阵;利用典型相关分析及其相关改进方法,获取内容视图及链接视图的最大相关投影矩阵;提取未标记网页的内容矩阵及链接矩阵;利用最大相关投影矩阵生成网页新的内容矩阵及链接矩阵;采用不同的组合方式,生成网页单视图数据;用已标记网页单视图数据训练分类器,将未标记网页识别为正常网页或垃圾网页。

2.如权利要求1所述的通过网页多视图数据关联组合识别垃圾网页的方法,其特征是,该方法包括如下步骤:

步骤1.对已经标记为正常及垃圾的网页,提取网页的内容特征数据及超链接特征数据,分别称为内容视图及链接视图,并表示为以行为网页以列为属性的已标记网页内容矩阵X1和已标记网页链接矩阵Y1

步骤2.将步骤1得到的两矩阵X1,Y1,利用典型相关分析方法,分析其最大相关性,并获取内容视图及链接视图的最大相关投影矩阵,即内容投影矩阵wx和链接投影矩阵wy

步骤3.对未标记网页,提取网页的内容视图及链接视图,以行为网页以列为属性分别表示为未标记网页内容矩阵X2和未标记网页链接矩阵Y2

步骤4.利用步骤2生成的两视图最大相关投影矩阵wx,wy,分别对步骤1中的已标记网页的两视图矩阵X1,Y1和步骤3中的未标记网页的两视图矩阵X2,Y2进行投影,得到已标记网页新的内容矩阵及链接矩阵和未标记网页新的内容矩阵及链接矩阵

步骤5.将步骤4生成的新的已标记网页两视图矩阵采用并行及串行组合方式,生成已标记网页单视图数据;

步骤6.利用步骤5产生的已标记网页的单视图数据,训练分类器,用于未标记网页的识别;

步骤7.将步骤4生成的新的未标记网页两视图矩阵采用并行及串行组合方式,生成未标记网页单视图数据;

步骤8.利用步骤6得到的分类器,对步骤7中生成的未标记网页单视图数据分类,根据分类结果,将未标记网页识别为正常网页或垃圾网页。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东师范大学,未经山东师范大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201210187098.7/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top