[发明专利]一种抽取网页信息块的方法及装置

权利要求书

1.一种抽取网页信息块的方法，其特征在于，所述方法包括：

获取网页所包括的多个特征的特征值，所述网页包括多个信息块；

根据获取的所述多个特征值确定所述每个信息块的类别，所述多个信息块分别与多个类别一一对应，所述多个类别包括页顶导航、二级导航、正文标题、正文信息、正文、小说标题、小说正文信息、小说正文、小说导航、博客导航、博客标题、博客信息、博客正文、链接信息块和交互块中至少一者；

从所述网页中选定至少一个信息块以进行显示。

2.如权利要求1所述的方法，其特征在于，获取网页所包括的多个特征的特征值，包括：

将所述网页具有的特征的特征值设置为第一特征值，将所述网页不具有的特征的特征值设置为第二特征值。

3.如权利要求2所述的方法，其特征在于，所述根据获取的所述多个特征值确定所述每个信息块的类别包括：计算每个信息块属于每个类别的概率，并将对应概率最大的类别定义为该信息块的类别。

4.如权利要求3所述的方法，其特征在于，所述计算每个信息块属于每个类别的概率包括：

针对任一个类别C，根据所述类别C包括的样本总数Ctotal和每个类别包括的样本总数Total计算出所述类别C的类别概率

对于所述信息块对应的特征Tk的特征值，k为1至预设数值F之间的任一值，从所述类别C包括的样本中获取所述特征Tk的特征值为第一特征值的样本，统计所述获取的样本的个数，得到第一样本个数Ck；

从所述预设的每个类别包括的样本中获取所述特征Tk的特征值为第一特征值的样本，统计所述获取的样本的个数，得到第二样本个数Ek；

对所述特征Tk的特征值进行判断；

如果为第一特征值，则根据所述第一样本个数Ck和第二样本个数Ek，并通过如下的公式(1)计算出所述特征Tk的特征概率P(Tk)，根据所述类别概率P(C)和所述信息块对应的特征的特征概率计算出所述信息块属于所述类别C的概率P＝P(C)*P(T1)*P(T2)*P(T3)*……*P(TF)；

其中，k1和k2为系数，且k2的值大于或等于k1的值；

如果为第二特征值，则根据所述第一样本个数Ck和第二样本个数Ek，并通过如下的公式(2)计算出所述特征Tk的特征概率P(Tk)；根据所述类别概率P(C)和所述信息块对应的特征的特征概率计算出所述信息块属于所述类别C的概率P＝P(C)*P(T1)*P(T2)*P(T3)*……*P(TF)；

P(Tk)=1-Ck+k1Ek+k2······(2).]]>

5.一种抽取网页信息块的装置，其特征在于，所述装置包括：

获取模块，用于获取网页所包括的多个特征的特征值，所述网页包括多个信息块；

确定模块，用于根据获取的所述多个特征值确定所述每个信息块的类别，所述多个信息块分别与多个类别一一对应，所述多个类别包括页顶导航、二级导航、正文标题、正文信息、正文、小说标题、小说正文信息、小说正文、小说导航、博客导航、博客标题、博客信息、博客正文、链接信息块和交互块；

选定模块，用于从所述网页中选定至少一个信息块以进行显示。

6.如权利要求5所述的装置，其特征在于，

所述获取模块，具体用于将所述网页具有的特征的特征值设置为第一特征值，将所述网页不具有的特征的特征值设置为第二特征值。