[发明专利]垃圾网页的识别方法及系统有效
| 申请号： | 201310029963.X | 申请日： | 2013-01-25 |
| 公开（公告）号： | CN103064984A | 公开（公告）日： | 2013-04-24 |
| 发明（设计）人： | 刘奕群;马少平;张敏;金奕江;张阔 | 申请（专利权）人： | 清华大学;北京搜狗科技发展有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人： | 张大威 |
| 地址： | 100084 北京*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出一种垃圾网页的识别方法及系统。其中，方法包括：获取搜索引擎的查询日志并对查询日志进行预处理获得预处理查询日志；从预处理查询日志的多个查询和结果网页中筛选出查询的用户点击率和结果网页的出现次数大于阈值的查询-结果集合；从查询-结果集合中人工筛选提取出多个垃圾网页生成垃圾网页样例集合；根据查询-结果集合和垃圾网页样例集合计算查询-结果集合中每个结果网页的垃圾得分和每个查询的作弊得分；当结果网页的垃圾得分大于阈值则结果网页为垃圾网页，并将结果网页添加到垃圾网页集合中。根据本发明实施例的方法，通过搜索引擎查询日志发现和识别垃圾网页降低了算法复杂度，具有较好的推广性和适应性。 | ||
| 搜索关键词： | 垃圾 网页 识别 方法 系统 | ||
【主权项】：
一种垃圾网页的识别方法，其特征在于，包括以下步骤：S1：获取搜索引擎的查询日志并对所述查询日志进行预处理获得预处理查询日志，其中，所述预处理查询日志包括多个查询和结果网页；S2：从所述预处理查询日志的多个查询和结果网页中筛选出所述查询的用户点击率和所述结果网页的出现次数大于阈值的查询‑结果集合；S3：从所述查询‑结果集合中人工筛选提取出多个垃圾网页生成垃圾网页样例集合；S4：根据所述查询‑结果集合和垃圾网页样例集合计算所述查询‑结果集合中每个结果网页的垃圾得分和每个查询的作弊得分；以及S5：如果所述查询‑结果集合中结果网页的垃圾得分大于阈值则所述结果网页为垃圾网页，并将所述结果网页添加到所述垃圾网页集合中。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学;北京搜狗科技发展有限公司，未经清华大学;北京搜狗科技发展有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201310029963.X/，转载请声明来源钻瓜专利网。
