[发明专利]网页信息处理方法及装置

权利要求书

1.一种网页信息处理方法，其特征在于，包括：

获取待检索网页的时间间隔信息；

根据所述待检索网页的时间间隔信息将所述待检索网页的集合划分为多个区域，通过线段树结构将所述时间间隔信息构成的时间间隔集合划分成至少两个单元时间间隔；

基于所述单元时间间隔为每个区域添加倒排线段树索引；倒排线段树索引是指利用z-order曲线对于待检索网页集合进行聚簇，将所述待检索网页集合划分为z-order值域不关联的子集区域；

根据查询时间间隔以及每个区域的倒排线段树索引分别对每个区域内的待检索网页进行检索，确定与所述查询时间间隔关联的第一候选网页；

从所述第一候选网页中确定包含查询关键字的第二候选网页；

输出所述第二候选网页。

2.根据权利要求1所述的网页信息处理方法，其特征在于，所述基于所述单元时间间隔为每个区域添加倒排线段树索引具体包括：

基于所述单元时间间隔对每个区域中的待检索网页构建线段树索引；

通过节点摘要文件存储所述线段树中每个待检索网页的文本统计信息；

通过节点倒排索引表存储每个区域的待检索网页的倒排列表。

3.根据权利要求2所述的网页信息处理方法，其特征在于，

所述线段树索引的每个叶节点中存储所述叶节点与其孩子节点中包含的所述待检索网页的数量；

所述文本统计信息包括行标识符和二元组列表，所述行标识符为所述待检索网页中包含的文本信息，所述二元组列表的形式为node＝df|tf，其中，node表示所述线段树索引中包含所述文本信息的待检索网页的标识符，df表示包含所述文本信息的待检索网页的总数，tf表示所述文本信息在包含所述文本信息的待检索网页中出现的次数；

所述倒排列表包括行键值及键值对，其中，所述行键值为所述待检索网页在所述线段树索引中的标识符，所述键值对包括所述待检索网页中包含的所述文本信息及所述待检索网页的标识符对应的连接。

4.根据权利要求1至3任一项所述的网页信息处理方法，其特征在于，若确定有至少两个所述第二候选网页，分别计算所述至少两个第二候选网页的相关度分数，并输出至少一个所述第二候选网页；其中，所述至少一个第二候选网页的相关度分数值大于其它第二候选网页的相关度分数值。