[发明专利]基于Web结构特征挖掘的网页类型自动识别方法在审
| 申请号： | 201710830492.0 | 申请日： | 2017-09-15 |
| 公开（公告）号： | CN107577783A | 公开（公告）日： | 2018-01-12 |
| 发明（设计）人： | 于富财;汪辉;文友枥;胡光岷;费高雷 | 申请（专利权）人： | 电子科技大学 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 成都宏顺专利代理事务所(普通合伙)51227 | 代理人： | 周永宏 |
| 地址： | 611731 四川省成*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于Web结构特征挖掘的网页类型自动识别方法，包括以下步骤S1、通过爬虫系统获取网页源码集；S2、对网页源码进行预处理；S3、进行网页特征提取；S4、运用机器学习中分类算法构造分类器，通过分类器完成网页类型的自动识别。本发明在提取网页特征集之前，采用深度优先遍历搜索策略搜寻需要清除的噪声标签，减轻了网页的体积，减少了待处理标签的数量，提高了提取网页特征集的性能；通过对Web结构的挖掘，从与网页结构息息相关的四个方面提取HTML文档的特征集，再运用机器学习中分类算法构造分类器完成网页类型的自动识别，与其他网页类型识别方法相比而言，本发明具有思路简单、易于实现、便于拓展、通用性强和准确率高的特点。 | ||
| 搜索关键词： | 基于 web 结构 特征 挖掘 网页 类型 自动识别 方法 | ||
【主权项】：
基于Web结构特征挖掘的网页类型自动识别方法，其特征在于，包括以下步骤：S1、通过爬虫系统获取网页源码集；S2、对网页源码进行预处理；S3、进行网页特征提取；S4、运用机器学习中分类算法构造分类器，通过分类器完成网页类型的自动识别。
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电子科技大学，未经电子科技大学许可，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/201710830492.0/，转载请声明来源钻瓜专利网。
- 上一篇：一种输送带式卸粮装置
- 下一篇：一种散料缓冲装置
