[发明专利]一种网页内容抽取方法、装置及服务器在审
| 申请号： | 201710308350.8 | 申请日： | 2017-05-04 |
| 公开（公告）号： | CN108804472A | 公开（公告）日： | 2018-11-13 |
| 发明（设计）人： | 赵铭鑫 | 申请（专利权）人： | 腾讯科技（深圳）有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 深圳市深佳知识产权代理事务所(普通合伙) 44285 | 代理人： | 王仲凯 |
| 地址： | 518000 广东省深圳*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明实施例提供一种网页内容抽取方法、装置及服务器，该方法包括：获取目标网页；获取目标网页各区块对应的视觉信息，文本信息及Xml路径语言；将各区块的视觉信息转换为视觉特征，及将各区块的文本信息转换为文本特征；将同一区块的视觉特征和文本特征相融合，得到各区块的特征向量；根据预训练的识别模型，从各区块的特征向量中识别出与目标内容相匹配的特征向量，所述识别模型至少根据预确定的目标内容的特征向量训练得到；确定所匹配的特征向量对应的区块的Xml路径语言，所确定的Xml路径语言所关联的信息作为所述目标网页的内容抽取结果。本发明实施例可提升网页内容抽取方法的通用性，并提升抽取结果的准确性。 | ||
| 搜索关键词： | 特征向量 网页内容 抽取 获取目标 目标内容 视觉特征 视觉信息 文本特征 区块 匹配 服务器 网页 语言 文本信息转换 目标网页 内容抽取 文本信息 关联 融合 转换 | ||
【主权项】：
1.一种网页内容抽取方法，其特征在于，包括：获取目标网页；获取目标网页各区块对应的视觉信息，文本信息及可扩展标记语言Xml路径语言；将各区块的视觉信息转换为视觉特征，及将各区块的文本信息转换为文本特征；将同一区块的视觉特征和文本特征相融合，得到各区块的特征向量；根据预训练的识别模型，从各区块的特征向量中识别出与目标内容相匹配的特征向量，所述识别模型至少根据预确定的目标内容的特征向量训练得到；确定所匹配的特征向量对应的区块的Xml路径语言，所确定的Xml路径语言所关联的信息作为所述目标网页的内容抽取结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于腾讯科技（深圳）有限公司，未经腾讯科技（深圳）有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710308350.8/，转载请声明来源钻瓜专利网。
- 上一篇：网页生成方法及装置
- 下一篇：数据查询的方法、装置和数据库系统
