[发明专利]一种多视图网络垃圾页面检测方法

摘要

本发明公开了提供一种多视图webspam检测方法,该方法包括如下步骤：首先获取训练数据中所有正常页面和spam页面的两视图；然后获取待检测页面的两视图；对获得的两视图各自构造矩阵；求出正常范数及spam范数；比较正常范数与spam范数的大小；若正常范数小于spam范数，则待检测页面为正常页面；若正常范数大于spam范数，则待检测页面为spam页面；若两者相等，则待检测页面随机识别为正常页面或spam页面。它具有对训练数据不平衡性不敏感、可同时检测多种spam页面及检测过程简单等优点。

主权项

一种多视图web spam检测方法，其特征是，该方法包括如下步骤：步骤1：首先获取训练数据中所有正常页面和spam页面的内容视图及链接视图；步骤2：然后获取待检测页面的内容视图及链接视图；步骤3：将步骤1中所有正常页面的内容视图及链接视图各自构造矩阵，得到正常内容矩阵和正常链接矩阵；步骤4：将步骤1中所有spam页面的内容视图及链接视图各自构造矩阵，得到spam内容矩阵及spam链接矩阵；步骤5：用待检测页面的内容视图及链接视图各自构造矩阵，得到待检测内容矩阵及待检测链接矩阵；步骤6：利用正常内容矩阵和待检测内容矩阵求解权重矩阵W‑，利用spam内容矩阵及待检测内容矩阵求解权重矩阵W+；步骤7：利用正常链接矩阵及权重矩阵W‑求解近似矩阵B1，利用spam链接矩阵及权重矩阵W+求解近似矩阵B2；步骤8：利用步骤7中的近似矩阵B1和待检测链接矩阵求解正常范数E‑，利用近似矩阵B2和待检测链接矩阵求解spam范数E+；步骤9：比较正常范数E‑与spam范数E+的大小；若正常范数小于spam范数，则待检测页面为正常页面；若正常范数大于spam范数，则待检测页面为spam页面；若两者相等，则待检测页面随机识别为正常页面或spam页面；步骤10：如果待检测页面被识别为正常页面，就被保留下来，否则将待检测页面从页面库中删除，检测结束。