[发明专利]伪原创网站的识别方法及装置

说明书

本发明实施例公开了一种伪原创网站的识别方法及装置，涉及信息技术领域，可以提高伪原创网站的识别准确率。所述方法包括：首先提取网站中包含的各个网页和所述各个网页分别对应的样式指纹，然后分别计算所述各个网页分别对应的样式指纹与伪原创样式指纹之间的海明距离，再统计所述各个网页中与所述伪原创样式指纹之间的海明距离大于或等于第一预设阈值的网页数量，若所述网页数量大于或等于第二预设阈值，则确定所述网站为伪原创网站。

技术领域

本发明涉及信息技术领域，特别涉及一种伪原创网站的识别方法及装置。

背景技术

随着网络技术的不断发展，通过网络获取信息的用户人数也越来越多，能够为用户提供信息的网站也随之增多。然而随着网站数量的不断增多，不同网站之间信息的重复率也随之增加，因此出现了伪原创网站，伪原创网站中的网页通常为对原创网站中的网页进行再加工生成的。

目前，对伪原创网站的识别方式通常为首先挖掘伪原创特征词，若某一个网页包含有伪原创特征词，则确定该网页为伪原创网页，并且当一个网站包含有大量伪原创网页时，确定该网站为伪原创网站。然而由于自然语言中词语存在多义性的问题，因此现有伪原创特征词的挖掘准确率较低，从而造成基于伪原创特征词识别伪原创网站的准确率较低。

发明内容

本发明实施例提供一种伪原创网站的识别方法及装置，可以提高伪原创网站的识别准确率。

本发明实施例采用的技术方案为：

一种伪原创网站的识别方法，包括：

提取网站中包含的各个网页和所述各个网页分别对应的样式指纹；

分别计算所述各个网页分别对应的样式指纹与伪原创样式指纹之间的海明距离；

统计所述各个网页中与所述伪原创样式指纹之间的海明距离大于或等于第一预设阈值的网页数量；

若所述网页数量大于或等于第二预设阈值，则确定所述网站为伪原创网站。

一种伪原创网站的识别装置，包括：

提取单元，用于提取网站中包含的各个网页和所述各个网页分别对应的样式指纹；

计算单元，用于分别计算所述提取单元提取的所述各个网页分别对应的样式指纹与伪原创样式指纹之间的海明距离；

统计单元，用于统计所述计算单元计算的所述各个网页中与所述伪原创样式指纹之间的海明距离大于或等于第一预设阈值的网页数量；

确定单元，用于若所述统计单元统计所述网页数量大于或等于第二预设阈值，则确定所述网站为伪原创网站。

本发明实施例提供的伪原创网站的识别方法及装置，首先提取网站中包含的各个网页和所述各个网页分别对应的样式指纹，然后分别计算所述各个网页分别对应的样式指纹与伪原创样式指纹之间的海明距离，再统计所述各个网页中与所述伪原创样式指纹之间的海明距离大于或等于第一预设阈值的网页数量，若所述网页数量大于或等于第二预设阈值，则确定所述网站为伪原创网站。与目前基于伪原创特征词识别伪原创网站相比，本发明实施例通过网页的样式指纹识别伪原创网站，可以提高伪原创网站的识别准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种伪原创网站的识别方法流程图；

图2为本发明实施例提供的另一种伪原创网站的识别方法流程图；

图3为本发明实施例提供的一种伪原创网站的识别装置结构示意图；