[发明专利]网页相关关键词的抽取处理方法和系统

摘要

本发明公开了一种网页相关关键词的抽取处理方法和系统，包括：信息搜集模块获取指定网页的页面内容和上下文信息，所述上下文信息包括该网页的入链锚信息、和与该网页相关的用户行为信息；第一抽取模块在收到网页访问请求后，根据网络媒介信息投放方的关键词词典，从所访问网页的页面内容和上下文信息中抽取候选关键词；权重排序模于对所抽取的各候选关键词进行权重计算，并根据权重进行排序；第二抽取模块从所述候选关键词中抽取权重排名前n位的关键词，所述n为指定值。利用本发明，可以提高关键词对网页受众特征的覆盖率和相关度，提高在网页上展示的网络媒介信息与浏览该网页的用户的相关度。 1

主权项

1.一种网页相关关键词的抽取处理方法，其特征在于，包括：

获取指定网页的页面内容和上下文信息，所述上下文信息包括该网页的入链锚信息、和与该网页相关的用户行为信息；

在收到网页访问请求后，根据网络媒介信息投放方的关键词词典，从所访问网页的页面内容和上下文信息中抽取候选关键词；

对所抽取的各候选关键词进行权重计算，并根据权重进行排序；

从所述候选关键词中抽取权重排名前n位的关键词，所述n为指定值；

所述对所抽取的各候选关键词进行权重计算，并根据权重进行排序，具体包括：

根据所访问网页的页面内容确定所述各候选关键词在该网页上的页面特征，根据所访问网页的上下文信息确定所述各候选关键词与该网页的上下文相关特征；

根据所述各候选关键词的在该网页上的页面特征和与该网页的上下文相关特征，利用逻辑回归方式，构建各候选关键词的逻辑回归模型；

针对所述各候选关键词，根据该候选关键词的逻辑回归模型进行逻辑回归分析计算，得到逻辑回归值，以该逻辑回归值作为该候选关键词的权重；

根据所述各候选关键词的权重对各候选关键词进行排序。

2.根据权利要求1所述的方法，其特征在于，所述获取与指定网页相关的用户行为信息，具体包括：

从搜索数据平台中获取对指定网页的查询字符串和对应的点击信息，将对该网页的查询字符串和对应的点击信息作为与该网页相关的用户行为信息。

3.根据权利要求1所述的方法，其特征在于，所述根据网络媒介信息投放方的关键词词典，从该网页的页面内容和上下文信息中抽取候选关键词，具体包括：

获取所述网络媒介信息投放方的关键词词典；

利用多模式串匹配方式将该关键词词典中的关键词与该网页的页面内容和上下文信息进行匹配，将匹配出的关键词作为所抽取的候选关键词。

4.根据权利要求1所述的方法，其特征在于，所述候选关键词在所访问网页上的页面特征，包括：候选关键词在所访问网页上的出现位置参数、词频‑逆向文件频率特征。

5.根据权利要求1所述的方法，其特征在于，所述候选关键词与所访问网页的上下文相关特征，包括以下特征的任意种：

候选关键词是否出现在该网页的入链锚信息中以及出现次数；

候选关键词是否作为用户查询字符串出现以及以该查询字符串进行查询的频率；

候选关键词作为用户查询字符串查询出该网页后，该网页被点击的频率以及点击用户的总数。

6.根据权利要求1所述的方法，其特征在于，在从所述候选关键词中抽取权重排名前n位的关键词之后，进一步包括：

从网络媒介信息投放方投放的网络媒介信息中选择与所述前n位的关键词匹配的网络媒介信息，将匹配出的网络媒介信息展示在所访问网页对应的展示位上。

7.一种网页相关关键词的抽取处理系统，其特征在于，包括：

信息搜集模块，用于获取指定网页的页面内容和上下文信息，所述上下文信息包括该网页的入链锚信息、和与该网页相关的用户行为信息；

第一抽取模块，用于在收到网页访问请求后，根据网络媒介信息投放方的关键词词典，从所访问网页的页面内容和上下文信息中抽取候选关键词；

权重排序模块，用于对所抽取的各候选关键词进行权重计算，并根据权重进行排序；

第二抽取模块，用于从所述候选关键词中抽取权重排名前n位的关键词，所述n为指定值；

所述排序模块具体包括：

第一模块，用于根据所访问网页的页面内容确定所述各候选关键词在该网页上的页面特征，根据所访问网页的上下文信息确定所述各候选关键词与该网页的上下文相关特征；

第二模块，用于根据所述各候选关键词的在该网页上的页面特征和与该网页的上下文相关特征，利用逻辑回归方式，构建各候选关键词的逻辑回归模型；

第三模块，用于针对所述各候选关键词，根据该候选关键词的逻辑回归模型进行逻辑回归分析计算，得到逻辑回归值，以该逻辑回归值作为该候选关键词的排序权重；

第四模块，用于根据所述各候选关键词的权重对各候选关键词进行排序。

8.根据权利要求7所述的系统，其特征在于，所述信息搜索模块具体与搜索数据平台通信，具体用于：从所述搜索数据平台中获取指定网页的入链锚信息；从搜索数据平台中获取对指定网页的查询字符串和对应的点击信息，将对该网页的查询字符串和对应的点击信息作为与该网页相关的用户行为信息。

9.根据权利要求7所述的系统，其特征在于，所述第一抽取模块具体包括：

词典获取模块，用于获取所述网络媒介信息投放方的关键词词典；

匹配模块，用于利用多模式串匹配方式将该关键词词典中的关键词与该网页的页面内容和上下文信息进行匹配，将匹配出的关键词作为所抽取的候选关键词。

10.根据权利要求7所述的系统，其特征在于，所述候选关键词在所访问网页上的页面特征，包括：候选关键词在所访问网页上的出现位置参数、词频‑逆向文件频率特征。

11.根据权利要求7所述的系统，其特征在于，所述候选关键词与所访问网页的上下文相关特征，包括以下特征的任意种：

候选关键词是否出现在该网页的入链锚信息中以及出现次数；

候选关键词是否作为用户查询字符串出现以及以该查询字符串进行查询的频率；

候选关键词作为用户查询字符串查询出该网页后，该网页被点击的频率以及点击用户的总数。

12.根据权利要求7所述的系统，其特征在于，该系统进一步包括：

展示模块，用于从网络媒介信息投放方投放的网络媒介信息中选择与所述前n位的关键词匹配的网络媒介信息，将匹配出的网络媒介信息展示在所访问网页对应的展示位上。