[发明专利]一种URL分类方法及系统

说明书

本发明公开一种URL分类方法及系统，涉及信息分类技术领域，所述URL分类方法包括：判断在预设的URL分类库中是否存在待分类URL的分类信息；当所述URL分类库中不存在所述待分类URL的分类信息时，从所述待分类URL对应的网页中，获取表达网页内容的特征词组；对所述特征词组进行词汇分析，以生成表达用户行为的分类标记；根据所述待分类URL以及所述待分类URL对应的分类标记，生成对应的分类信息，并记录在所述URL分类库中。本发明可实现对所有URL进行分类，并具有很高的准确性。

技术领域

本发明涉及信息分类技术领域，尤其涉及一种URL分类方法及系统。

背景技术

统一资源定位符(URL)是对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址，也被称为网页地址。

目前，对用户访问的URL进行分析是对用户进行标签化时所运用的一种技术。但是，目前这种技术一般体现为对URL的构成进行分析或者通过聚类方法得到URL的类别。然而，URL的构成千变万化，单纯从URL的构成对URL进行分类是无法做到很高的精确性。如果从聚类角度进行分析，基于目前的URL的训练样本数量有限，所训练的结果存在很大的偏差。因此，如果要精确地对URL进行分类，则需要从URL对应的页面内容进行分析。

例如，公开号为CN106960040A的专利，其公开了一种URL的类别确定方法及装置，所述方法包括：在待分类的URL对应的网页内容中，获取预设的每个特征对应的每个特征字段；针对每个特征字段，将该特征字段划分为至少一个第一词组，根据预先保存的每个词组在每个特征中的目标分类概率和非目标分类概率，确定该特征字段的第一特征值；根据确定的所述待分类的URL对应的每个第一特征值，及预先训练完成的URL分类模型，确定所述待分类的URL对应的类别。在该专利文献公开的技术方案中，首先对URL进行访问并获取对应的关键字，然后对这些关键字进行聚类训练从而获取对应的训练样本，由于训练样本的数量因素，在现实运用中往往存在一定的误差。

通过以上分析，在现有的技术中，对URL进行分类的精确性存在一定的缺陷。

发明内容

本发明所要解决的技术问题在于，在现有的技术中，对URL进行分类的精确性不高。

为了解决上述技术问题，本发明提供了一种URL分类方法及系统。

所述URL分类方法包括：

判断在预设的URL分类库中是否存在待分类URL的分类信息；

当所述URL分类库中不存在所述待分类URL的分类信息时，从所述待分类URL对应的网页中，获取表达网页内容的特征词组；

对所述特征词组进行词汇分析，以生成表达用户行为的分类标记；

根据所述待分类URL以及所述待分类URL对应的分类标记，生成对应的分类信息，并记录在所述URL分类库中。

可选地，所述判断在预设的URL分类库中是否存在待分类URL的分类信息包括：

截取所述待分类URL的特征字符串；

根据所述特征字符串查询所述URL分类库，以判断所述URL分类库中是否存在所述待分类URL的分类信息。

可选地，所述根据所述待分类URL以及所述待分类URL对应的分类标记，生成对应的分类信息包括：

根据所述待分类URL对应的所述特征字符串和所述分类标记，生成对应的分类信息。

可选地，所述从所述待分类URL对应的网页中，获取表达网页内容的特征词组包括：

通过访问所述待分类URL，获取待分类URL对应的网页内容；

确定表达所述网页内容的特征词组。