[发明专利]用于网络文件聚类的方法和系统

权利要求书

1.一种用于网络文件聚类的方法，包括以下步骤：

输入多个网络文件；

收集所述多个网络文件之间的链接关系和目录结构；

根据所述链接关系和目录结构，提取出所述多个网络文件的分层结构；以及

基于所述分层结构输出针对所述多个网络文件的一个或多个聚类。

2.如权利要求1所述的方法，还包括：

输出所述聚类之间的层次关系。

3.如权利要求1所述的方法，还包括：

在提取出所述分层结构之后，根据各个网络文件的链接组对所述提取出的分层结构进行修订。

4.如权利要求1所述的方法，其中所述提取分层结构的步骤包括：

根据所述目录结构确定第一分层结构；

针对所述输入的多个网络文件中在所述第一分层结构中没有涉及的网络文件，根据它们的所述链接关系确定第二分层结构；并且

合并所述第一分层结构和第二分层结构以确定最终的分层结构。

5.如权利要求4所述的方法，其中

所述第一分层结构中的父子关系是这样确定的：

如果网络文件A是索引文件并且网络文件A和网络文件B具有相同的目录路径，则确定所述网络文件A是所述网络文件B的父，

所述第二分层结构中的父子关系是这样确定的：

如果网络文件B的链入链接集合是网络文件A的链出链接集合的子集，则确定所述网络文件A是所述网络文件B的父。

6.如权利要求1所述的方法，还包括在提取所述分层结构的过程中去除所述收集的链接关系中的链接噪声。

7.如权利要求1所述的方法，其中所述聚类包括中心网络文件以及在所述分层结构上与其直接或间接耦合的所有子节点和孙子节点处的网络文件。

8.一种用于网络文件聚类的系统，包括：

输入装置，用于输入多个网络文件；

收集装置，用于收集所述多个网络文件之间的链接关系和目录结构；

提取装置，用于根据所述链接关系和目录结构，提取出所述多个网络文件的分层结构；以及

输出装置，用于基于所述分层结构输出针对所述多个网络文件的一个或多个聚类。

9.如权利要求8所述的系统，其中所述输出装置还输出所述聚类之间的层次关系。

10.如权利要求8所述的系统，还包括：

耦合在所述提取装置和所述输出装置之间的修订装置，用于在提取出所述分层结构之后，根据各个网络文件的链接组对所述提取出的分层结构进行修订。

11.如权利要求8所述的系统，其中所述提取装置被配置为：

根据所述目录结构确定第一分层结构；

针对所述输入的多个网络文件中在所述第一分层结构中没有涉及的网络文件，根据它们的所述链接关系确定第二分层结构；并且

合并所述第一分层结构和第二分层结构以确定最终的分层结构。

12.如权利要求11所述的系统，其中

所述第一分层结构中的父子关系是这样确定的：

如果网络文件A是索引文件并且网络文件A和网络文件B具有相同的目录路径，则确定所述网络文件A是所述网络文件B的父，

所述第二分层结构中的父子关系是这样确定的：

如果网络文件B的链入链接集合是网络文件A的链出链接集合的子集，则确定所述网络文件A是所述网络文件B的父。

13.如权利要求8所述的系统，还包括：

耦合到所述提取装置的噪声去除装置，用于在提取所述分层结构的过程中去除所述收集的链接关系中的链接噪声。

14.如权利要求8所述的系统，其中所述聚类包括中心网络文件以及在所述分层结构上与其直接或间接耦合的所有子节点和孙子节点处的网络文件。