[发明专利]一种网页分类方法和装置

权利要求书

1.一种网页分类方法，其特征在于，所述方法包括：

根据已有分类的网页的URL中的N元字符串的权重值，计算所述N元字符串在所述已有分类中出现的次数或频度；其中，所述URL中作为分类依据的N元字符串具有第一权重值，其余不作为分类依据的N元字符串的权重值低于所述第一权重值，N＝(1,2,…,M)，M为所述URL中有效字符串的数量；

训练每个已有分类的N-gram概率模型；

根据所述N-gram概率模型确定待分类网页的URL的类型。

2.根据权利要求1所述的一种网页分类方法，其特征在于，所述根据已有分类的网页的URL中的N元字符串的权重值，计算所述N元字符串在所述已有分类中出现的次数或频度之前，还包括：

将每个URL处理为若干字符串的集合；

剔除所述集合中的无效字符串，以使得每个URL对应的字符串集合中包括M个有效字符串。

3.根据权利要求1所述的一种网页分类方法，其特征在于，所述根据已有分类的网页的URL中的N元字符串的权重值，计算所述N元字符串在所述已有分类中出现的次数，通过下式计算：

C＝C₁×W₁+C₂×W₂+…+C_n×W_n，n≥1

其中，W₁＞W₂,W₃,…,W_n

上式中的C为所述N元字符串在所述已有分类中出现的次数；C₁为所述N元字符串在作为分类依据的URL字段中出现的次数；W₁为所述第一权重值；C₂,C₃,…,C_n为所述N元字符串在不作为分类依据的URL字段中出现的次数；W₂,W₃,…,W_n为所述C₂,C₃,…,C_n分别对应的权重值。

4.根据权利要求3所述的一种网页分类方法，其特征在于，所述计算所述N元字符串在所述已有分类中出现的频度，通过下式计算：

S＝(C/F)×log(Z₁/Z₂)

其中，S为所述N元字符串在所述已有分类中出现的频度；F为每个N元字符串在所述已有分类中出现次数的总和；Z₁为已有分类的类型总数；Z₂为包含所述N元字符串的全部已有分类的数量。