[发明专利]基于锚文本回溯链的网页主题分析方法

说明书

本发明提出了基于锚文本回溯链的网页主题分析方法，所述方法包括：在确定待搜索的目标主题之后，搜索引擎触发网页追逐器在由HTML文档借助于超链接组成的网络上行进以形成行进链；基于所述行进链，所述网页追逐器针对每个当前正经过的网页形成锚文本回溯链；所述搜索引擎基于所形成的锚文本回溯链分析当前正经过的网页的主题。本发明所公开的基于锚文本回溯链的网页主题分析方法能够在搜索过程中更准确地分析网页主题。

技术领域

本发明涉及网页主题分析方法，更具体地，涉及基于锚文本回溯链的网页主题分析方法。

背景技术

目前，随着计算机和网络应用的日益广泛以及不同领域的业务种类的日益丰富，通过搜索引擎获取特定的网页以及网页内容变得越来越重要。

现有的技术方案的基本工作原理如下：在确定特定的目标主题之后，搜索引擎在由HTML文档借助于超链接(其将不同的HTML文档相链接)组成的网络上行进，并且每到一个网页就用抓取程序抓取该网页以及随之抽取该网页的内容，同时抽取该网页的超链接作为进一步行进的线索，随后，通过网页分析算法过滤掉与目标主题无关的超链接，从而仅提取出与目标主题相关的网页，其中，常常采用分析超链接对应的锚文本(其是引导用户点击该超链接的文字描述，该文字描述是对该超链接对应的网页内容的高度概括和描述)来分析网页的主题，即基于当前超链接及其对应的锚文本，通过比较当前锚文本和特定主题的相关程度来确定当前超链接所对应的网页的主题内容。

然而，现有的技术方案存在如下问题：虽然锚文本通常是网页内容的高度概括和描述，然而，在一些特定的情况下(例如，如果锚文本的内容是“最受欢迎”，并且该锚文本对应某个商品的网页，则难以从锚文本的内容“最受欢迎”分析出该网页的主题)，仅依靠当前锚文本的信息不能准确地描述其所对应的网页的主题。

因此，存在如下需求：提供能够在搜索过程中准确地分析网页主题的基于锚文本回溯链的网页主题分析方法。

发明内容

为了解决上述现有技术方案所存在的问题，本发明提出了能够在搜索过程中准确地分析网页主题的基于锚文本回溯链的网页主题分析方法。

本发明的目的是通过以下技术方案实现的：

一种基于锚文本回溯链的网页主题分析方法，所述基于锚文本回溯链的网页主题分析方法包括下列步骤：

(A1)在确定待搜索的目标主题之后，搜索引擎触发网页追逐器在由HTML文档借助于超链接组成的网络上行进以形成行进链；

(A2)基于所述行进链，所述网页追逐器针对每个当前正经过的网页形成锚文本回溯链；

(A3)所述搜索引擎基于所形成的锚文本回溯链分析当前正经过的网页的主题。

在上面所公开的方案中，优选地，所述步骤(A2)进一步包括：通过记录和回溯所述网页追逐器所形成的行进链上的每个超链接所对应的锚文本的信息来形成所述锚文本回溯链。

在上面所公开的方案中，优选地，所述锚文本回溯链包含到达当前正经过的网页时所述网页追逐器最近N次行进所历经的每个超链接所对应的锚文本的信息，其中，N是预先设定的回溯链最大路径长度。

在上面所公开的方案中，优选地，所述步骤(A2)进一步包括：所述网页追逐器在行进过程中不断记录所经过的超链接对应的锚文本的信息，并且在到达新的超链接时，将上个超链接所对应的锚文本回溯链中的最远一个锚文本的信息去掉，并同时将当前的新的超链接所对应的锚文本的信息添加到锚文本回溯链中，以形成与当前的新的超链接对应的锚文本回溯链。