[发明专利]一种网页特征提取方法和装置

摘要

本发明实施例公开了一种网页特征提取方法和装置，根据网页信息的位置架构将目标网页分为多个文档部分；分别对多个文档部分进行分词处理，对分词处理结果进行统计，获得与多个文档部分对应的多个集合，根据第一集合中与特征词对应的次数确定基础位置权重值，第一集合为所述多个集合中数据对最多的集合；根据基础位置权重值、预设权重比例值和多个集合中除第一集合外的所有集合，确定多个集合中除第一集合外的所有集合的权重值；将多个集合和多个集合中除第一集合外的所有集合的权重值进行整合处理，获得目标网页的特征向量，以使得根据特征向量对网页进行特征分析。

主权项

1.一种网页特征提取方法，其特征在于，所述方法包括：获取目标网页，根据网页信息的位置架构将所述目标网页分为多个文档部分；分别对所述多个文档部分进行分词处理，对分词处理结果进行统计，获得与所述多个文档部分对应的多个集合，其中，每一个文档部分对应一个集合，所述多个集合中的每一个集合包括至少一个数据对，每一个数据对包括：特征词和与所述特征词对应的次数；根据第一集合中与所述特征词对应的次数确定基础位置权重值，所述第一集合为所述多个集合中数据对最多的集合；根据所述基础位置权重值、预设权重比例值和所述多个集合中除所述第一集合外的所有集合，确定所述多个集合中除所述第一集合外的所有集合的权重值；将所述多个集合和所述多个集合中除所述第一集合外的所有集合的权重值进行整合处理，获得所述目标网页的特征向量，以使得根据所述特征向量对网页进行特征分析。