[发明专利]信息分类范例

权利要求书

1.一种用于信息分类的方法，包括：

至少部分地基于至少一个分类标识符，将一组初始源文档分类到至少三个 组之一，所述至少三个组包括：包含感兴趣的文档的第一组、包含不感兴趣的 文档的第二组、和包含兴趣级别不确定的文档的第三组，其中所述一组初始源 文档通过以下步骤被分类到所述三个组中：

选择所述源文档之一；

确定至少一个分类标识符是否存在于所述源文档中；

如果所述至少一个分类标识符不存在于所述源文档中，则将所述源分档 分类到所述第二组中；

如果所述至少一个分类标识符存在于所述源文档中，则至少部分地基于 所述分类标识符通过使用片断提取器从所述源文档中提取一片断，并确定至 少一个关键词是否存在于所述片断中；以及

如果至少一个关键词存在于所述片断中，则将所述源文档分类到所述第 一组，否则，将所述源文档分类到所述第三组中；以及

对于被分类到所述第三组中的每个文档：

从文档中提取至少一个特征向量；以及

基于所述至少一个特征向量，将所述源文档分类到所述第一组或所 述第二组中。

2.如权利要求1所述的方法，其特征在于，所述分类标识符是取决于语 言或场所中的至少一个或两者的。

3.一种用于信息分类的方法，包括：

判定在源文档中是否存在至少一个标识符；

如果所述至少一个标识符没有存在于所述源文档中，则将所述源文档分类 成不感兴趣的；

如果所述至少一个标识符存在于所述源文档中，则从所述源文档提取表示 至少一个标识符周围的多个文档元素的至少一个片断；

标识是否一个或多个关键词指示符存在于所述片断内；

如果标识了至少一个关键词，则将所述源文档分类为感兴趣的，否则，将 所述源文档分类为需要进一步检查；

如果所述源文档需要进一步检查，则生成表示所述源文档中的信息的多个 特性的至少一个特征向量；以及

基于所生成的至少一个特征向量，将所述源文档分类为感兴趣的或不感兴 趣的。

4.一种用于信息分类的系统，包括：

第一分类器，它适用于将一组初始源文档分类到至少三个组之一，所述三 个组是：包含感兴趣的文档的第一组、包含不感兴趣的文档的第二组、和包含 兴趣级别不确定的文档的第三组，所述第一分类器具有包括用于作出其分类决 定的至少一个语言相关分类标识符的输入，其中所述第一分类器执行以下方 法：

确定在源文档中是否存在所述至少一个语言相关分类标识符；

如果在所述源文档中不存在所述至少一个分类标识符，则将所述源文档 分类到所述第二组中；

如果在所述源文档中存在所述至少一个分类标识符，则从所述源文档中 提取一片断并且判定在所述片断中是否存在至少一个关键词；

如果在所述片断中存在至少一个关键词，则将所述源文档分类到所述第 一组中，否则将所述源文档分类到所述第三组中；

特征提取器，它适用于从被分类到所述第三组中的文档中提取特征并形成 至少一个特征向量；以及

次级分类器，它适用于接收包括所述至少一个特征向量和语言相关模型信 息的输入，并且还适用于基于所述至少一个特征向量和所述语言相关模型信 息，将与所述至少一个特征向量相关联的源文档分类到所述第一组或所述第二 组中。

5.如权利要求4所述的系统，其特征在于，所述至少一个语言相关分类 标识符包括货币标识符。

6.如权利要求5所述的系统，其特征在于，所述至少一个关键词包括将 指示所述货币标识符与价格相关联的信息。

7.如权利要求4所述的系统，其特征在于，所述至少一个特征向量包括 通过取至少一种类型的HTML标签的计数与文档中HTML标签的总数之比来 计算的比率度量。