[发明专利]网页标识确定方法和装置

说明书

本发明提供了一种网页标识确定方法和装置，该方法包括聚合相同统一资源定位符URL的网页，根据指向相同URL网页的一个或多个外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本；对于每个网页，选取该网页的一个或多个锚文本中的一个作为该网页的标识。本发明提供的技术方案能够提高处理效率，并且能够提供简洁又能准确、客观地概括网页内容的网页标识。

技术领域

本发明涉及互联网技术领域，特别是一种网页标识确定方法和装置。

背景技术

网页标识(如网页标题、网页地址等)可以用于标识网页，能够体现网页的核心内容。搜索算法通常会对标识中的词赋予更高权重，因而网页标识在SEO(Search EngineOptimization，搜索引擎优化)中非常重要，站长会在网页标识中加入很多关键词，如一些重复或与网页内容不相关的关键词，导致标识很长。比如下面这个标识，“Android(安卓)开发视频教程-老罗Android开发视频教程-视频教程-移动开发门户”，实质上该标识中真正有价值的信息是“老罗Android开发视频教程”。长标识不会对用户的浏览产生实质性影响，对于屏幕大小有限的终端(如手机)会导致明显的屏幕显示空间浪费。

相关技术中，搜索引擎对标识进行截断处理，然而截断固定长度效果显然不好。因而，如何提供简洁又能概括网页内容的网页标识成为目前亟待解决的技术问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的网页标识确定方法和相应的装置。

依据本发明的一个方面，提供了一种网页标识确定方法，包括：聚合相同统一资源定位符URL的网页，根据指向相同URL网页的一个或多个外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本；对于每个网页，选取该网页的一个或多个锚文本中的一个作为该网页的标识。

可选地，所述聚合相同URL的网页之前，还包括：解析网页抓取器抓取的多个网页，获取各个网页的URL、指向各个网页的外部链接以及各个外部链接对应的锚文本。

可选地，所述聚合相同URL的网页，根据指向相同URL网页的一个或多个外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本，包括：对具备相同URL的网页进行聚类，生成多个URL分组；对于每个URL分组，根据该URL分组中指向各个网页的外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本。

可选地，对于各个URL分组，根据该URL分组中指向各个网页的外部链接以及各个外部链接对应的锚文本，得到各个网页的一个或多个锚文本，包括：对该URL分组中的锚文本进行聚类，生成一个或多个锚文本分组；将所述一个或多个锚文本分组各自对应的锚文本作为各个网页的一个或多个锚文本。

可选地，所述选取该网页的一个或多个锚文本中的一个作为该网页的标识，包括：确定该网页的一个或多个锚文本中每个锚文本的等级；选取指定等级的锚文本作为该网页的标识。

可选地，所述确定该网页的一个或多个锚文本中每个锚文本的等级，包括：获取该网页的一个或多个锚文本中每个锚文本的参数值；根据获取的所述每个锚文本的参数值，计算所述每个锚文本的等级。

可选地，所述每个锚文本的参数值包括下列至少之一：

每个锚文本对应的外部链接所在网页的总数；

每个锚文本对应的、与该网页的URL同主域的外部链接所在网页的总数；

每个锚文本对应的、与该网页的URL不同主域的外部链接所在网页的总数；

每个锚文本对应的外部链接所在网页的网页等级pagerank；

每个锚文本对应的外部链接被点击的次数。