[发明专利]一种页面分类方法、装置、设备及存储介质

权利要求书

1.一种页面分类方法，其特征在于，包括：

获取待分类页面；

对所述待分类页面的页面结构数据进行特征提取，得到待分类特征数据；

将所述待分类特征数据输入预先训练得到的聚类模型，进行页面类别划分，得到所述待分类页面的页面分类结果。

2.根据权利要求1所述的方法，其特征在于，所述聚类模型的训练过程包括：

建立初始聚类模型；

获取各样本页面；

对所述各样本页面的页面结构数据进行特征提取，得到所述各样本页面的样本特征数据；

将所述各样本页面的样本特征数据输入所述初始聚类模型，进行聚类训练，得到所述聚类模型。

3.根据权利要求2所述的方法，其特征在于，所述对所述各样本页面的页面结构数据进行特征提取，得到所述各样本页面的样本特征数据的步骤，包括：

分别获取各样本页面的标签序列中包含的预设特征属性对应的特征属性值，得到所有样本页面的标签序列中包含的所述预设特征属性对应的特征属性值序列；

基于所述特征属性值序列和所述各样本页面的标签序列中包含的预设特征属性对应的特征属性值，分别生成所述各样本页面的样本特征向量，作为所述各样本页面的样本特征数据；

所述对所述待分类页面的页面结构数据进行特征提取，得到待分类特征数据的步骤，包括：

获取所述待分类页面的标签序列中包含的所述预设特征属性对应的特征属性值；

基于所述特征属性值序列和所述待分类页面的标签序列中包含的所述预设特征属性对应的特征属性值，生成所述待分类页面的待分类特征向量，作为待分类特征数据。

4.根据权利要求2所述的方法，其特征在于，所述对所述各样本页面的页面结构数据进行特征提取，得到所述各样本页面的样本特征数据的步骤，包括：

针对多个预设特征属性中的每个预设特征属性，分别获取各样本页面的标签序列中包含的该预设特征属性对应的特征属性值，得到所有样本页面的标签序列中包含的该预设特征属性对应的特征属性值序列；

基于各预设特征属性对应的特征属性值序列和所述各样本页面的标签序列中包含的该预设特征属性对应的特征属性值，分别生成所述各样本页面的与该预设特征属性对应的样本特征向量，组成与该预设特征属性对应的样本特征矩阵；

基于预先设定的各预设特征属性的权重，对各预设特征属性对应的样本特征矩阵分别进行降维和拼接操作，得到综合样本特征矩阵；其中，所述综合样本特征矩阵中的各行向量分别为所述各样本页面的样本特征数据；

所述对所述待分类页面的页面结构数据进行特征提取，得到待分类特征数据的步骤，包括：

针对所述多个预设特征属性中的每个预设特征属性，获取所述待分类页面的标签序列中包含的该预设特征属性对应的特征属性值；

分别生成所述待分类页面的与各预设特征属性对应的第一待分类特征向量；

对所述第一待分类特征向量进行降维和拼接操作，得到待分类特征数据。

5.一种页面分类装置，其特征在于，包括：

待分类页面获取模块，获取待分类页面；

待分类特征数据得到模块，用于对所述待分类页面的页面结构数据进行特征提取，得到待分类特征数据；

分类结果得到模块，用于将所述待分类特征数据输入预先训练得到的聚类模型，进行页面类别划分，得到所述待分类页面的页面分类结果。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：模型训练模块；

所述模型训练模块包括：初始模型建立子模块、样本页面获取子模块、样本特征数据得到子模块和模型得到子模块；

所述初始模型建立子模块，用于建立初始聚类模型；

所述样本页面获取子模块，用于获取各样本页面；

所述样本特征数据得到子模块，用于对所述各样本页面的页面结构数据进行特征提取，得到所述各样本页面的样本特征数据；

所述模型得到子模块，用于将所述各样本页面的样本特征数据输入所述初始聚类模型，进行聚类训练，得到所述聚类模型。