专利内容由知识产权出版社提供
专利名称：基于Web结构特征挖掘的网页类型自动识别方法专利类型：发明专利
发明人：于富财,汪辉,文友枥,胡光岷,费高雷申请号：CN201710830492.0申请日：20170915公开号：CN107577783A公开日：20180112
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。
申请人：电子科技大学
地址：611731 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：成都宏顺专利代理事务所(普通合伙)
代理人：周永宏
更多信息请下载全文后查看
