[发明专利]一种主题网络爬虫系统的构建方法有效
| 申请号： | 201110007710.3 | 申请日： | 2011-01-14 |
| 公开（公告）号： | CN102073730A | 公开（公告）日： | 2011-05-25 |
| 发明（设计）人： | 宁慧;吴昊;谈亚洲;吴悦;吕志龙 | 申请（专利权）人： | 哈尔滨工程大学 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 150001 黑龙江省哈尔滨市南岗区*** | 国省代码： | 黑龙江;23 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供的是一种主题网络爬虫系统的构建方法。(1)定义主题初始描述向量，设定相关度初始阀值、初始化URL队列；(2)从初始URL队列中依次获取URL进行爬取；(3)对URL进行文本分析；(4)对URL进行链接分析；(5)计算URL与主题的相关度；(6)将相关度大于相关度阈值的URL加入有序的URL队列，URL依照与主题向量的相关度高低排序，依次爬取，直至队列为空，对于每个爬到的网页，提取其中的子URL，返回到步骤(3)；(7)使用遗传算法进行遗传算法最优化；(8)Rocchio反馈模块对主题向量更新，并动态调整相关度阈值，继续爬取网页。本发明不需要事先准备大量的训练文本，速度快，适合处理海量的在线网页数据。 | ||
| 搜索关键词： | 一种 主题 网络 爬虫 系统 构建 方法 | ||
【主权项】：
一种主题网络爬虫系统的构建方法，其特征是：(1)定义主题初始描述向量，设定相关度初始阀值，设定初始化URL队列；(2)爬虫从初始URL队列中依次获取URL进行爬取；(3)对URL进行文本分析；(4)对URL进行链接分析；(5)结合文本分析与链接分析的结果计算URL与主题的相关度；(6)将相关度大于相关度阈值的URL加入有序的URL队列，URL依照与主题向量的相关度高低排序，相关度高的排在前面，相关度低的排在后面，主题爬虫先爬取队列中相关度高的网页，然后爬取相关度低的网页，依次爬取，直至队列为空，对于每个爬到的网页，提取其中的子URL，返回到步骤(3)；(7)使用遗传算法对队列中相关度最高的前N篇进行遗传算法最优化，选出最优特征；(8)将遗传算法返回的最优特征送入Rocchio反馈模块对主题向量更新，并动态调整相关度阈值，继续爬取网页。
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哈尔滨工程大学，未经哈尔滨工程大学许可，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/201110007710.3/，转载请声明来源钻瓜专利网。
