[发明专利]网页去重方法和设备有效
| 申请号： | 201210223009.X | 申请日： | 2012-06-30 |
| 公开（公告）号： | CN102799647A | 公开（公告）日： | 2012-11-28 |
| 发明（设计）人： | 姜南;张辉;万嘉 | 申请（专利权）人： | 华为技术有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京同立钧成知识产权代理有限公司 11205 | 代理人： | 刘芳 |
| 地址： | 518129 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种网页去重方法和设备。该方法包括在目标网页中提取出至少一个核心句，所述核心句是指含有网页主要内容信息的句子；将每个所述核心句映射为唯一的数值，组成第一数值集；确定所述第一数值集与每个第二数值集的交集以及每个交集中包含的数值的个数，并确定出所述每个交集中包含的数值的个数的最大值，所述第二数值集为预先确定的备选网页集中每个网页包含的核心句映射得到的数值组成的集合；当所述最大值与所述第一数值集中的数值的总数量的比值大于设定阈值时，则将所述目标网页作为重复网页处理。本发明实施例可以在网页去重处理时提高准确度以及增强抗噪声能力，并且减少计算规模。 | ||
| 搜索关键词： | 网页 方法 设备 | ||
【主权项】：
一种网页去重方法，其特征在于，包括：在目标网页中提取出至少一个核心句，所述核心句是指含有网页主要内容信息的句子；将每个所述核心句映射为唯一的数值，组成第一数值集；确定所述第一数值集与每个第二数值集的交集以及每个交集中包含的数值的个数，并确定出所述每个交集中包含的数值的个数的最大值，所述第二数值集为预先确定的备选网页集中每个网页包含的核心句映射得到的数值组成的集合；当所述最大值与所述第一数值集中的数值的总数量的比值大于设定阈值时，则将所述目标网页作为重复网页处理。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华为技术有限公司，未经华为技术有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201210223009.X/，转载请声明来源钻瓜专利网。
- 上一篇：风扇高置和集成两台发电机的发动机前端轮系
- 下一篇：柴油发电机组
