[发明专利]网页主题的分类方法及装置

权利要求书

1.一种网页主题的分类方法，其特征在于，所述方法包括：

提取待分类网页的超文本标记语言HTML源代码中的文字，并对提取的文字进行分词处理，得到一至多个分词结果；

计算每个分词结果的权重值，所述权重值为词频与逆文档频率TFIDF权重、位置权重、分布权重、强调权重和链接权重中的至少一种权重对应的权重值；

根据所述每个分词结果的权重值生成向量空间模型；

以所述向量空间模型作为预先训练得到的分类器的输入对所述待分类网页进行分类，得到所述待分类网页对应预先归纳的每个主题类别的分类值，并根据获取到的分类值对所述待分类网页的主题进行分类。

2.根据权利要求1所述的方法，其特征在于，所述以所述向量空间模型作为预先训练得到的分类器的输入对所述待分类网页进行分类之前，还包括：

收集预设数目个网页，并对所述预设数目个网页的主题进行归纳，得到预先归纳的主题类别；

将预先归纳的各个主题类别分别作为训练样本对所述分类器进行训练。

3.根据权利要求1至2中任一权利要求所述的方法，其特征在于，所述根据获取到的分类值对所述待分类网页的主题进行分类，具体包括：

在获取到的分类值中选择最大分类值，并将所述最大分类值对应的预先归纳的主题类别作为所述待分类网页的主题类别。

4.根据权利要求1至2中任一权利要求所述的方法，其特征在于，所述根据获取到的分类值对所述待分类网页的主题进行分类之前，还包括：

根据所述待分类网页的网页属性，获取所述待分类网页对应的属性值，所述网页属性至少包括网页网址和二级导航；

所述根据获取到的分类值对所述待分类网页的主题进行分类，具体包括：

在获取到的分类值中选择最大分类值，并根据所述最大分类值及所述待分类网页对应的属性值对所述待分类网页的主题进行分类。

5.一种网页主题的分类装置，其特征在于，所述装置包括：

提取模块，用于提取待分类网页的超文本标记语言HTML源代码中的文字；

分词模块，用于对所述提取模块提取的文字进行分词处理，得到一至多个分词结果；

计算模块，用于计算所述分词模块得到的每个分词结果的权重值，所述权重值为词频与逆文档频率TFIDF权重、位置权重、分布权重、强调权重和链接权重中的至少一种权重对应的权重值；

获取模块，根据所述每个分词结果的权重值生成向量空间模型，以所述向量空间模型作为预先训练得到的分类器的输入对所述待分类网页进行分类，得到所述待分类网页对应预先归纳的每个主题类别的分类值；

分类模块，用于根据所述获取模块获取到的分类值对所述待分类网页的主题进行分类。

6.根据权利要求5所述的装置，其特征在于，所述装置，还包括：

归纳模块，用于收集预设数目个网页，并对所述预设数目个网页的主题进行归纳，得到预先归纳的主题类别；

训练模块，用于将所述归纳模块预先归纳的各个主题类别分别作为训练样本对所述分类器进行训练。

7.根据权利要求5至6中任一权利要求所述的装置，其特征在于，所述分类模块，具体用于在获取到的分类值中选择最大分类值，并将所述最大分类值对应的预先归纳的主题类别作为所述待分类网页的主题类别。

8.根据权利要求5至6中任一权利要求所述的装置，其特征在于，所述获取模块，还用于根据所述待分类网页的网页属性，获取所述待分类网页对应的属性值，所述网页属性至少包括网页网址和二级导航；

所述分类模块，具体用于在所述获取模块获取到的分类值中选择最大分类值，并根据所述最大分类值及所述获取模块获取到的所述待分类网页对应的属性值对所述待分类网页的主题进行分类。