[发明专利]一种面向精准搜索的网站结构化标注方法和系统

权利要求书

1.一种面向精准搜索的网站结构化标注方法，其特征在于，所述方法包括：

对互联网网站进行抽样采集，对获取的网站采集样本集合进行数据加工和处理以构建基础网站库；

利用结构化指标对基础网站库中的网站进行标注，生成结构化的网站采集样本；

接收用户的搜索请求，根据用户的搜索请求中携带的结构化指标参数在所述结构化的网站采集样本中搜索，以获取与所述结构化指标参数匹配的网站，利用所述网站对应的网页地址生成信息采集入口集合。

2.根据权利要求1所述的方法，其特征在于，所述对互联网网站进行抽样采集，对获取的网站采集样本集合进行数据加工和处理以构建基础网站库包括：

根据互联网网站的排名信息进行数据抽取，获取网站采集样本集合；

采集网站采集样本集合中的网站的访问量信息；

根据网站的访问量信息对网站数据进行数据清洗、数据校验和装载、数据分类、元数据抽取、数据融合处理，以构建基础网站库。

3.根据权利要求1所述的方法，其特征在于，所述利用结构化指标对基础网站库中的网站进行标注，生成结构化的网站采集样本包括：

利用结构化指标对基础网站库中的网站进行标注，为网站设置不同的网站参数，所述网站参数至少包括参数属性和参数标签。

4.根据权利要求1或3所述的方法，其特征在于，所述结构化指标包括网站性质信息、网站属性信息、网站地域信息、网站排名信息、网站行业信息、网站管辖范围信息、网站用途信息、是否为政府网站信息中的一种或多种。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当互联网网站的排名信息和/或访问量信息发生更新时，根据更新后的排名信息和/或访问量信息对互联网网站进行数据抽取，以获取更新后的基础网站库。

6.一种面向精准搜索的网站结构化标注系统，其特征在于，所述系统包括：

基础网站库构建单元，用于对互联网网站进行抽样采集，对获取的网站采集样本集合进行数据加工和处理以构建基础网站库；

结构化标注单元，用于利用结构化指标对基础网站库中的网站进行标注，生成结构化的网站采集样本；

信息采集入口集合生成单元，用于接收用户的搜索请求，根据用户的搜索请求中携带的结构化指标参数在所述结构化的网站采集样本中搜索，以获取与所述结构化指标参数匹配的网站，利用所述网站对应的网页地址生成信息采集入口集合。

7.根据权利要求6所述的系统，其特征在于，所述基础网站库构建单元包括：

数据抽取单元，用于根据互联网网站的排名信息进行数据抽取，获取网站采集样本集合；

数据采集单元，用于采集网站采集样本集合中的网站的访问量信息；

数据处理单元，用于根据网站的访问量信息对网站数据进行数据清洗、数据校验和装载、数据分类、元数据抽取、数据融合处理，以构建基础网站库。

8.根据权利要求6所述的系统，其特征在于，所述结构化标注单元具体用于：

利用结构化指标对基础网站库中的网站进行标注，为网站设置不同的网站参数，所述网站参数至少包括参数属性和参数标签。

9.根据权利要求6或8所述的系统，其特征在于，所述结构化指标包括网站性质信息、网站属性信息、网站地域信息、网站排名信息、网站行业信息、网站管辖范围信息、网站用途信息、是否为政府网站信息中的一种或多种。

10.根据权利要求6所述的系统，其特征在于，所述系统还包括：

更新单元，用于当互联网网站的排名信息和/或访问量信息发生更新时，根据更新后的排名信息和/或访问量信息对互联网网站进行数据抽取，以获取更新后的基础网站库。