[发明专利]一种基于用户本体的初始URLs选择方法

权利要求书

1.一种基于用户本体的初始URLs选择方法，其特征在于，包括以下步骤：

第一步：提交用户关键词给搜索引擎，获得用户日志；该用户日志主要用来构建用户本体和用户兴趣特征向量。

第二步：处理用户特征文件，提取特征词汇，并向量化；

第三步：构建用户本体，利用提取的特征词并结合WordNet来构建用户本体；

第四步：用户提交关键词到Google，并得到搜索结果，通过HITS算法，可以得到根集，包含了权威网页和中心网页集合，从而，得到候选页面；

第五步：用户关键词提交给用户本体，进行加权扩展，得到扩展的特征向量，结合候选页面，得到语义化的页面向量；

第六步：计算第二步得到的用户兴趣特征向量和语义化的页面向量的相似度，排序，选择相似度高的加入根集得到基础集；

第七步：对得到的基础集，通过改进的HITS算法，获取二分图；

第八步：针对于二分图，采用完全二分有向图获取算法得到完全二分图；

第九步：通过选取完全二分图中的URLs作为初始URLs，具体实现步骤：

D1、通过第八步从二分图中提取完全二分图，得到权威网页集和中心网页集两个集合；

D2、从中心网页集合中选择一个网页作为爬行虫的一个初始URL；

D3、使用中心网页和权威网页存在链接，发现完全二分图的其他部分，作为初始URLs加入到结果集中；

D4、把发现的中心网页和权威网页分别从两个集合中删除，更新集合中权威网页和中心网页的权威值和中心值；

D5、如果初始URLs结果集的数量不够，再次返回步骤1；否则，结束。

2.根据权利要求1所述的基于用户本体的初始URLs选择方法，其特征在于，所述第七步，改进的HITS算法，获取二分图的方法为：

B1、搜集特定关键词的网页集合，存储网页链接关系；

B2、针对于每一个网页分为链入和链出页面集合，通过语义化页面构建方法重新构建页面；

B3、计算语义化页面和返回结果的相似度，满足条件的作为候选集合，并得到基础集；

B4、通过迭代算法计算基础集每个网页的权威值和中心值，由此得到二分图。

3.根据权利要求1所述的基于用户本体的初始URLs选择方法，其特征在于，所述第八步，所述完全二分有向图获取算法：

C1、按照权威值大小依次选取网页，并通过对应页面得到链接中心值网页；选取的网页标记，以防止再次选取；

C2、按照中心值大小依次选取网页；并通过对应页面得到权威值网页；选取的网页标记，以防止再次选取；

C3、重复C1-C2操作，直到遍历完所有网页为止，得到完全二分图。