[发明专利]确定网页聚类模式的方法及装置

权利要求书

1.一种确定网页聚类模式的方法，其特征在于，包括以下步骤：

获取待聚类网页的统一资源定位符的主干前缀；

对所述主干前缀进行切分，得到多个字段；

根据保留字段词典中的至少一个预设保留字段及各所述预设保留字段的位置信息来匹配切分得到的所述多个字段，将匹配到的与所述预设保留字段相同，且位置对应的字段部分作为保留字段；

根据所述多个字段中的所述保留字段和所述保留字段的位置信息，生成作为所述待聚类网页的统一资源定位符的聚类模式。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多个字段中的所述保留字段和所述保留字段的位置信息，生成作为所述待聚类网页的统一资源定位符的聚类模式之前，进一步包括：

根据所述多个字段中所述保留字段之外的非保留字段的类型确定所述非保留字段的表示方式；

进一步地，根据所述多个字段中的所述保留字段和所述保留字段的位置信息生成作为所述待聚类网页的统一资源定位符的聚类模式，进一步包括：

根据所述多个字段中的所述保留字段、所述保留字段的位置信息以及所述非保留字段的表示方式，生成作为所述待聚类网页的统一资源定位符的聚类模式。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述多个字段中所述保留字段之外的非保留字段的类型确定所述非保留字段的表示方式，进一步包括：

若所述所述多个字段中所述保留字段之外的非保留字段的类型为连续字符串时，采用正则表达式[a-zA-Z]+表示所述非保留字段的类型；

若所述所述多个字段中所述保留字段之外的非保留字段的类型为数字时，采用正则表达式(/d+)表示所述非保留字段的类型。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述获取待聚类网页的统一资源定位符的主干前缀，进一步包括：

识别所述待聚类网页的统一资源定位符中第一特殊连接字符，将所述第一特殊连接字符作为第一分隔标记，提取所述待聚类网页的统一资源定位符中所述第一分隔标记前的字段作为所述主干前缀。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述获取待聚类网页的统一资源定位符的主干前缀，进一步包括：

识别所述待聚类网页的统一资源定位符中预设深度的路径位置处第二特殊连接字符，将所述第二特殊连接字符作为第二分隔标记，提取所述待聚类网页的统一资源定位符中所述第二分隔标记前的字段作为所述主干前缀。

6.一种确定网页簇聚类模式方法，其特征在于，包括以下步骤：

获取待聚类网页簇中的多个网页的统一资源定位符的主干前缀；

分别对各所述主干前缀进行切分，得到多个字段；

挖掘所述多个字段中的保留字段以及所述保留字段的位置信息；

根据所述保留字段和所述保留字段的位置信息生成所述待聚类网页簇的统一资源定位符的聚类模式。

7.根据权利要求6所述的方法，其特征在于，所述根据所述多个字段中的所述保留字段和所述保留字段的位置信息，生成作为所述待聚类网页的统一资源定位符的聚类模式之前，进一步包括：

根据所述多个字段中所述保留字段之外的非保留字段的类型确定所述非保留字段的表示方式；

进一步地，根据所述多个字段中的所述保留字段和所述保留字段的位置信息生成作为所述待聚类网页的统一资源定位符的聚类模式，进一步包括：

根据所述多个字段中的所述保留字段、所述保留字段的位置信息以及所述非保留字段的表示方式，生成作为所述待聚类网页的统一资源定位符的聚类模式。

8.根据权利要求6-7任一项所述的方法，其特征在于，所述根据所述多个字段中所述保留字段之外的非保留字段的类型确定所述非保留字段的表示方式，进一步包括：

若所述所述多个字段中所述保留字段之外的非保留字段的类型为连续字符串时，采用正则表达式[a-zA-Z]+表示所述非保留字段的类型；

若所述所述多个字段中所述保留字段之外的非保留字段的类型为数字时，采用正则表达式(/d+)表示所述非保留字段的类型。