[发明专利]网页的识别方法及装置

权利要求书

1.一种网页的识别方法，其特征在于，包括以下步骤：

获取待识别的网页中每个分词的权重；

根据所述待识别的网页中每个分词的权重，利用预先建立的逻辑回归模型，计算获得待识别的网页分别在预设的两个网页类别中的权重；

将权重较大的网页类别作为所述待识别的网页的类别。

2.如权利要求1所述的网页的识别方法，其特征在于，所述获取待识别的网页中每个分词的权重包括：

获取待识别的网页；

对所述待识别的网页进行分词处理；

获取每个分词在所述待识别的网页中的词频和逆文档频率；

根据所述每个分词在待识别的网页中的词频和逆文档频率，计算获得所述待识别的网页中每个分词的权重。

3.如权利要求1或2所述的网页的识别方法，其特征在于，所述计算获得待识别的网页分别在预设的两个网页类别中的权重之后还包括：

获取待识别的网页中网页特征的权重；

根据所述待识别的网页中每个分词的权重以及所述待识别的网页中网页特征的权重，利用预先建立的朴素贝叶斯模型，计算获得待识别的网页分别在预设的两个网页类别中的概率；

将概率较大的网页类别作为所述待识别的网页的类别。

4.如权利要求3所述的网页的识别方法，其特征在于，所述获取待识别的网页中网页特征的权重包括：

获取待识别的网页中的网页地址；

判断所述网页地址中是否包含体现其中一个预设的网页类别的网页的特征信息；

当所述网页地址中包含体现其中一个预设的网页类别的网页的特征信息时，将所述待识别的网页中网页地址特征的权重记为1；

当所述网页地址中不包含体现其中一个预设的网页类别的网页的特征信息时，将所述待识别的网页中网页地址特征的权重记为0。

5.如权利要求3所述的网页的识别方法，其特征在于，所述获取待识别的网页中网页特征的权重包括：

获取网页的页面标题；

判断所述页面标题中是否包含体现其中一个预设的网页类别的网页的特征信息；

当所述页面标题中包含体现其中一个预设的网页类别的网页的特征信息时，将所述待识别的网页中页面标题特征的权重记为1；

当所述页面标题中不包含体现其中一个预设的网页类别的网页的特征信息时，将所述待识别的网页中页面标题特征的权重记为0。

6.一种网页的识别装置，其特征在于，包括：

权重获取模块，用于获取待识别的网页中每个分词的权重；

计算模块，用于根据所述待识别的网页中每个分词的权重，利用预先建立的逻辑回归模型，计算获得待识别的网页分别在预设的两个网页类别中的权重；

类别确定模块，用于将权重较大的网页类别作为所述待识别的网页的类别。

7.如权利要求6所述的网页的识别装置，其特征在于，所述权重获取模块包括：

网页获取单元，用于获取待识别的网页；

分词处理单元，用于对所述待识别的网页进行分词处理；

分词频率获取单元，用于获取每个分词在所述待识别的网页中的词频和逆文档频率；

权重计算单元，用于根据所述每个分词在待识别的网页中的词频和逆文档频率，计算获得所述待识别的网页中每个分词的权重。

8.如权利要求6或7所述的网页的识别装置，其特征在于，所述权重获取模块还用于：获取待识别的网页中网页特征的权重；

所述计算模块还用于：根据所述待识别的网页中每个分词的权重以及所述待识别的网页中网页特征的权重，利用预先建立的朴素贝叶斯模型，计算获得待识别的网页分别在预设的两个网页类别中的概率；

所述类别确定模块还用于：将概率较大的网页类别作为所述待识别的网页的类别。

9.如权利要求8所述的网页的识别装置，其特征在于，所述权重获取模块还包括：

特征获取单元，用于获取待识别的网页中的网页地址；

特征判断单元，用于判断所述网页地址中是否包含体现其中一个预设的网页类别的网页的特征信息；

权重获得单元，用于当所述网页地址中包含体现其中一个预设的网页类别的网页的特征信息时，将所述待识别的网页中网页地址特征的权重记为1；当所述网页地址中不包含体现其中一个预设的网页类别的网页的特征信息时，将所述待识别的网页中网页地址特征的权重记为0。

10.如权利要求8所述的网页的识别装置，其特征在于，所述权重获取模块还包括：

特征获取单元，用于获取网页的页面标题；

特征判断单元，用于判断所述页面标题中是否包含体现其中一个预设的网页类别的网页的特征信息；

权重获得单元，用于当所述页面标题中包含体现其中一个预设的网页类别的网页的特征信息时，将所述待识别的网页中页面标题特征的权重记为1；当所述页面标题中不包含体现其中一个预设的网页类别的网页的特征信息时，将所述待识别的网页中页面标题特征的权重记为0。