[发明专利]一种网页分类方法及装置

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：

获得待分类网页的网页信息；

在所述网页信息中包含页面标题和页面描述的情况下，对所述页面标题和页面描述进行分词处理，获得第一分词结果以及所述第一分词结果中各个词的词性；

根据所述第一分词结果中的词和各个词的词性，确定所述待分类网页所属的分类；

所述根据所述第一分词结果中的词和各个词的词性，确定所述待分类网页所属的分类，包括：

获得所述第一分词结果中各个词的第一词向量和各个词的词性的第二词向量；

针对所述第一分词结果中的每一词，获得由所述第一词向量和第二词向量生成的第三词向量；

提取所述第三词向量的特征；

选择所提取特征中对所述第三词向量具有表征性的特征；

根据所选择的特征，确定所述待分类网页所属的分类；

所述获得由所述第一词向量和第二词向量生成的第三词向量，包括：

若所述第一词向量包含的元素的数量与所述第二词向量包含的元素的数量的和值等于预设的第三词向量包含的元素的数量，拼接所述第一词向量与所述第二词向量，得到第三词向量；

若所述和值小于所述预设的第三词向量包含的元素的数量，拼接所述第一词向量和第二词向量，并在拼接结果的前面或者后面增加预设元素，使所述拼接结果包含的元素数量等于所述预设的第三词向量包含的元素的数量，得到所述第三词向量；

若所述和值大于所述预设的第三词向量包含的元素的数量，从所述第一词向量和/或所述第二词向量中去掉元素，使去掉元素后的第一词向量所包含元素的数量和第二词向量所包含元素的数量之和等于所述预设的第三词向量包含的元素的数量，拼接所述去掉元素后的第一词向量和第二词向量，得到所述第三词向量。

2.根据权利要求1所述的方法，其特征在于，所述提取所述第三词向量的特征，包括：

按照所述第一分词结果中各个词在包含所述页面标题和页面描述的句子中的排列顺序，对所述第一分词结果中各个词对应的所述第三词向量排序；

提取排序后所述第三词向量的特征。

3.根据权利要求1-2中任一项所述的方法，其特征在于，所述方法还包括：

在所述网页信息中不包含所述页面标题和页面描述的情况下，获得所述待分类网页的域名；

根据所述域名对应的分类，确定所述待分类网页所属的分类。

4.一种网页分类装置，其特征在于，所述装置包括：

网页信息获得模块，用于获得待分类网页的网页信息；

分词信息获得模块，用于在所述网页信息中包含页面标题和页面描述的情况下，对所述页面标题和页面描述进行分词处理，获得第一分词结果以及所述第一分词结果中各个词的词性；

第一分类确定模块，用于根据所述第一分词结果中的词和各个词的词性，确定所述待分类网页所属的分类；

所述第一分类确定模块，包括：

词向量获得单元，用于获得所述第一分词结果中各个词的第一词向量和各个词的词性的第二词向量，并针对所述第一分词结果中的每一词，获得由所述第一词向量和第二词向量生成的第三词向量；

特征提取单元，用于提取所述第三词向量的特征；

特征选择单元，用于选择所提取特征中对所述第三词向量具有表征性的特征；

分类确定单元，用于根据所选择的特征，确定所述待分类网页所属的分类；

所述词向量获得单元，通过以下方式获得由所述第一词向量和第二词向量生成的第三词向量：

若所述第一词向量包含的元素的数量与所述第二词向量包含的元素的数量的和值等于预设的第三词向量包含的元素的数量，拼接所述第一词向量与所述第二词向量，得到第三词向量；

若所述和值小于所述预设的第三词向量包含的元素的数量，拼接所述第一词向量和第二词向量，并在拼接结果的前面或者后面增加预设元素，使所述拼接结果包含的元素数量等于所述预设的第三词向量包含的元素的数量，得到所述第三词向量；

若所述和值大于所述预设的第三词向量包含的元素的数量，从所述第一词向量和/或所述第二词向量中去掉元素，使去掉元素后的第一词向量所包含元素的数量和第二词向量所包含元素的数量之和等于所述预设的第三词向量包含的元素的数量，拼接所述去掉元素后的第一词向量和第二词向量，得到所述第三词向量。