[发明专利]一种网页类型识别方法和系统

摘要

本发明实施方式提出一种网页类型识别方法和系统。方法包括根据网页的文本内容计算该网页的内容类型倾向值；提取该网页的网页结构特征；利用该内容类型倾向值和该网页结构特征识别网页的类型。应用本发明实施方式之后，综合考虑了文本内容维度和网页结构维度来对网页进行分类，因此分类的准确度更高。而且，通过数据过滤，可有效去除网页中与识别类型无关的标签、链接、广告等噪音，使得分类效果更佳。

主权项

一种网页类型识别方法，其特征在于，该方法包括：根据网页的文本内容计算该网页的内容类型倾向值；提取该网页的网页结构特征；利用所述内容类型倾向值和所述网页结构特征识别所述网页的类型；所述根据网页的文本内容计算该网页的内容类型倾向值具体为：根据网页的文本内容计算该网页的新闻类型倾向值；其中：利用新闻类型倾向值和网页结构特征识别网页的类型，具体包括以下步骤中的至少一个：当所述新闻类型倾向值大于预先设置的新闻类型第一阈值时，直接判定所述网页的类型为新闻；或当所述新闻类型倾向值大于预先设置的新闻类型第二阈值，且所述网页结构特征中包含新闻类信息时，判定所述网页的类型为新闻；其中所述新闻类型第一阈值大于新闻类型第二阈值。