[发明专利]一种网页主题的标注方法和装置

摘要

本发明公开了一种网页主题的标注方法和装置。所述方法包括：基于网页的标题和正文，获得所述网页的主题特征向量；利用预先训练获得的分类器，对所述主题特征向量进行分类处理；判断是否存在所述主题特征向量所属的类型；若是，则将所述网页标注为所述主题特征向量所属的类型；若否，则将所述网页标记为待标注网页；进一步地，对多个待标注网页进行聚类处理；分析出每个聚类集合的类型；将待标注网页标注为其所属的聚类集合的类型。本发明采用有监督的分类方法和无监督的聚类方法级联的方式，自动的从网页中获取主题并标注网页，有效提高了网页主题标注的效率和准确性。

主权项

1.一种网页主题的标注方法，其特征在于，包括：分别提取网页中的标题和正文；根据所述标题，构建标题特征向量；根据所述正文，构建正文特征向量；将所述标题特征向量和所述正文特征向量采用加权的方式拼接为主题特征向量；利用预先训练获得的分类器，对所述主题特征向量进行分类处理；判断是否存在所述主题特征向量所属的类型；若是，则将所述网页标注为所述主题特征向量所属的类型；若否，则将所述网页标记为待标注网页；进一步地，对多个待标注网页进行聚类处理；分析出每个聚类集合的类型；将待标注网页标注为其所属的聚类集合的类型；分析聚类集合的类型，包括：分别提取聚类集合中每个待标注网页的标题和正文；利用预先构建的标题词典，对所有标题进行分词处理，获得多个标题分词；利用预先构建的正文词典，对所有正文进行分词处理，获得多个正文分词；在多个所述标题分词和多个所述正文分词中，获取出现频率最多的分词，以作为所述聚类集合的类型。