[发明专利]一种网站行业类型快速识别的方法

权利要求书

1.一种网站行业类型快速识别的方法，网站的行业类型包括政务网站、教育行业网站、金融行业网站、企业网站、个人网站和社区网站，其特征在于，所述网站行业类型快速识别的方法具体包括下述步骤：

步骤(1)：预先设置每个行业类型的基础规则，基础规则包括域名后缀规则、主体中是否有全国党政机关事业单位标志及链接规则、标题中是否有金融关键字规则、标题中是否有行政机关关键字规则、标题中是否有企业关键字规则、标题中是否有社区关键字规则和标题中是否有教育关键字规则；且每条基础规则设有分值，分值范围为60-100；

步骤(2)：将目标网站依次匹配基础规则，当网站与该条基础规则匹配时，则将该基础规则的分值加至该基础规则对应行业类型的统计分，且每个行业类型的统计分初始值为0；

当出现统计分大于或等于100的行业类型时，则不再进行后续步骤，将该行业类型作为目标网站的行业类型；

当匹配完所有基础规则，所有行业类型的统计分都小于100，则继续执行步骤(3)；

步骤(3)：将所有行业类型的统计分初始化为0，将目标网站分别匹配所有二级规则，当网站与对应行业类型的二级规则匹配时，则将该二级规则的分值加至该行业类型的统计分；

所述二级规则通过判断网站的标题、网页头部和底部是否含有网站行业类型对应的关键词或规则结构，对网站的行业类型进行匹配；且每条二级规则每条二级规则都设有分值，分值范围为60-100；

匹配完所有二级规则后，将统计分最高的行业类型作为目标网站的行业类型。

2.根据权利要求1所述的一种网站行业类型快速识别的方法，其特征在于，所述基础规则，具体为：

所述域名后缀规则包括：

域名后缀为gov.cn的网站，是政务网站；该规则的分值为100；

域名后缀为edu.cn的网站，是教育行业网站；该规则的分值为100；

所述主体中是否有全国党政机关事业单位标志及链接规则是指：

域名主体中有全国党政机关事业单位标志及链接的网站，是政务网站；该规则的分值为100；

所述标题中是否有金融关键字规则包括：

域名标题中有金融关键字的网站，是金融行业网站；该规则的分值为80；

抓取机构地址或机构名称，并在中国银行业监督委员会官网检索存在的网站，是金融行业网站；该规则的分值为100；

所述标题中是否有行政机关关键字规则是指：

域名标题中有行政机关关键字的网站，是政务网站；该规则的分值为80；

所述标题中是否有企业关键字规则是指：

域名标题中有企业关键字的网站，是企业网站；该规则的分值为80；

所述标题中是否有社区关键字规则是指：

域名标题中有社区关键字的网站，是社区网站；该规则的分值为80；

所述标题中是否有教育关键字规则是指：

域名标题中有教育关键字的网站，是教育行业网站；该规则的分值为80。

3.根据权利要求1所述的一种网站行业类型快速识别的方法，其特征在于，所述网站行业类型对应的初始二级规则具体为：

政务网站二级规则：

主体底部存在若干链接指向以gov.cn结尾的网站；该规则的分值为分值80；

主体中存在关键字“办事大厅”、“党政领导”或者“组织机构”；该规则的分值为分值70；

教育行业网站二级规则：

主体中有关键字“学院概况”；该规则的分值为分值90；

主体中有关键字“课程”；该规则的分值为分值60；

金融行业网站二级规则：

主体中含有关键字“股票”、“借贷”、“分期”或者“抵押”；该规则的分值为分值70；

企业网站二级规则：

主体中有关键字“解决方案”、“产品中心”或者“招贤纳士”；该规则的分值为分值为80；

个人网站二级规则：

主体中有关键字“日记”或者“个人日记”；该规则的分值为分值60；

社区网站二级规则：

主体中有关键字“论坛”或者“社区”；该规则的分值为分值80；

主体中有关键字“热帖”或者“精华”；该规则的分值为分值60。

4.根据权利要求1所述的一种网站行业类型快速识别的方法，其特征在于，对于已识别行业类型的网站，能进行定期分析提取出该行业网站所具有的共同特征，然后将该特征作为二级规则，并根据该特征在网站中存在比例，确定该特征所形成的二级规则的分值。