[发明专利]基于搜索引擎数据库的样本自动挖掘方法及装置

摘要

本发明公开了一种基于搜索引擎数据库的样本自动挖掘方法及装置。其中方法包括：获取已标注域名集合，所述已标注域名集合中包含多个已标注类目的第一域名；在所述搜索引擎数据库中查询每个第一域名对应的搜索词，对搜索词的类目进行标注，得到已标注搜索词集合；在搜索引擎数据库中查找每个已标注类目的搜索词对应的未标注类目的第二域名，对第二域名的类目进行标注，并将标注完成的第二域名添加到所述已标注域名集合中。本方案通过较为精确的扩展策略完成更丰富的host的挖掘，使得host的标注质量较高，较好的改善了文本分类问题中常见的样本标注的数量问题和质量问题。

主权项

1.一种基于搜索引擎数据库的样本自动挖掘方法，所述搜索引擎数据库中存储有搜索词与域名之间的多对多的对应关系，所述搜索词对应的域名是指该搜索词的搜索结果中所有被用户点击的网页的域名；所述方法包括：获取已标注域名集合，所述已标注域名集合中包含多个已标注类目的第一域名；在所述搜索引擎数据库中查询每个第一域名对应的搜索词，根据该搜索词对应的已标注类目的第一域名对该搜索词的类目进行标注，得到已标注搜索词集合；其中，当该搜索词对应的多个第一域名属于不同类目时，根据所述多个第一域名在各个类目下的数量标注该搜索词的类目；在搜索引擎数据库中查找每个已标注类目的搜索词对应的未标注类目的第二域名，根据该第二域名对应的已标注类目的搜索词对该第二域名的类目进行标注，并将标注完成的第二域名添加到所述已标注域名集合中；其中，当该第二域名对应的多个搜索词属于不同类目时，根据所述多个搜索词在各个类目下的数量标注该第二域名的类目。