[发明专利]一种相似网络页面的搜索方法及设备

说明书

本发明适用于互联网技术领域，提供了一种相似网络页面的搜索方法及设备，包括：获取目标页面的文本信息，并基于文本信息构建目标页面的页面语料库；对所有网络页面进行遍历搜索，确定包含页面关键词的网络页面为目标页面的候选页面；基于候选页面预设的各个页面标签在候选页面中的出现次数，确定各个页面标签的标签权重；根据候选页面包含的页面内容，生成候选页面的内容特征信息；根据候选页面的各个页面标签的标签权重以及内容特征信息，计算候选页面与目标页面的页面相关度；将页面相关度大于相关阈值的候选页面确定为目标页面的相似页面。本发明通过网路页面的页面类型以及内容特征，进行多维度的相似度筛选，提高了页面搜索的准确性。

技术领域

本发明属于应用程序技术领域，尤其涉及一种相似网络页面的搜索方法及设备。

背景技术

随着互联网的发展，用户可以通过输入关键词进行网页搜索，随着网页数量的不断增加，通过匹配的搜索结果也随之增加，因此如何能够提高搜索的准确性，则直接影响用户查询目标网页的效率。

现有的相似网络页面的搜索技术，主要是通过获取所需的关键词对应的模糊关键词，并基于关键词以及模糊关键词进行网页搜索，当需要检测目标网页在网络平台上是否存在相似的网页，可以从目标网页中提取关键词以及模糊关键词进行网页搜索，从而确定出是否有网站恶意抄袭或侵犯著作权等非法情况，但当关键词是常用词组时，通过上述方式搜索出来的网络页面数量较多，并非各个包含关键词的网络页面均为与网络页面的内容相似的页面，导致了搜索得到大量无效页面，需要用户在大量的页面中进行筛选，降低了目标网络页面搜索的效率。

发明内容

有鉴于此，本发明实施例提供了一种相似网络页面的搜索编译方法及设备，以解决现有的相似网络页面的搜索技术，主要通过关键词以及模糊关键词进行网页搜索，容易导致搜索得到大量无效页面，需要用户在大量的页面中进行筛选，降低了目标网络页面搜索的效率的问题。

本发明实施例的第一方面提供了一种相似网络页面的搜索方法，包括：

获取目标页面的文本信息，并基于所述文本信息构建所述目标页面的页面语料库；所述页面语料库包含多个页面关键词；

对所有网络页面进行遍历搜索，确定包含所述页面关键词的所述网络页面为所述目标页面的候选页面；

基于所述候选页面预设的各个页面标签在所述候选页面中的出现次数，确定各个所述页面标签的标签权重；

根据候选页面包含的页面内容，生成所述候选页面的内容特征信息；

根据所述候选页面的各个页面标签的标签权重以及所述内容特征信息，计算所述候选页面与所述目标页面的页面相关度；

将所述页面相关度大于相关阈值的所述候选页面确定为所述目标页面的相似页面。

本发明实施例的第二方面提供了一种相似网络页面的搜索设备，包括：

页面语料库创建单元，用于获取目标页面的文本信息，并基于所述文本信息构建所述目标页面的页面语料库；所述页面语料库包含多个页面关键词；

候选页面搜索单元，用于对所有网络页面进行遍历搜索，确定包含所述页面关键词的所述网络页面为所述目标页面的候选页面；

标签权重计算单元，用于基于所述候选页面预设的各个页面标签在所述候选页面中的出现次数，确定各个所述页面标签的标签权重；

内容特征信息生成单元，用于根据候选页面包含的页面内容，生成所述候选页面的内容特征信息；

页面相关度计算单元，用于根据所述候选页面的各个页面标签的标签权重以及所述内容特征信息，计算所述候选页面与所述目标页面的页面相关度；

相似页面搜索单元，用于将所述页面相关度大于相关阈值的所述候选页面确定为所述目标页面的相似页面。