[发明专利]一种网站行业类型快速识别的方法

说明书

本发明涉及网站行业类型识别技术，旨在提供一种网站行业类型快速识别的方法。该种网站行业类型快速识别的方法包括下述步骤：将目标网站依次匹配基础规则，当出现统计分大于或等于100的行业类型时，则将该行业类型作为目标网站的行业类型；当无法利用基础规则判断时，则将目标网站分别匹配所有二级规则，最后将统计分最高的行业类型作为目标网站的行业类型。本发明提供了一套识别行业网站行业类型的完整技术方案，能基于规则匹配识别网站行业类型，并能自动完善规则及对规则进行自动更新，方便大家对行业网站的使用。

技术领域

本发明是关于网站行业类型识别技术领域，特别涉及一种网站行业类型快速识别的方法。

背景技术

网站行业类型是指网站有规则的按照一定的科学依据，对该网站所从事和经营的模式和类型进行详细划分。

网站行业类型一般来说分为以下几种类型：政府、金融、教育、个人、企业、社区。一般来说每种类型的网站都有相似的网站结构和经营模式。从技术角度来看，对特定行业的网站进行取样分析提取其共有的特性形成特定规则，基于这些规则来对网站行业属性进行分析归类。

现有网站行业类型识别，多采用单一的html关键字来识别，这种方式有很多局限性和很高的错误率，这样在无形当中增加了人工成本，效率不高。总的来说，存在以下缺点：1)关键字识别方式单一；2)错误率高；3)人工二次验证与错误数据分析。

发明内容

本发明的主要目的在于克服现有技术中的不足，提供一种按照网站行业类型快速识别归类的方法。为解决上述技术问题，本发明的解决方案是：

提供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，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(body)中是否有全国党政机关事业单位标志及链接规则、标题(title)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)：输入目标网站，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。

在本发明中，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；