[发明专利]稀缺信息页面的筛选方法和装置在审
申请号: | 201410759482.9 | 申请日: | 2014-12-10 |
公开(公告)号: | CN104484388A | 公开(公告)日: | 2015-04-01 |
发明(设计)人: | 魏少俊;王智广 | 申请(专利权)人: | 北京奇虎科技有限公司;奇智软件(北京)有限公司 |
主分类号: | G06F17/30 | 分类号: | G06F17/30 |
代理公司: | 北京智汇东方知识产权代理事务所(普通合伙) 11391 | 代理人: | 康正德;郭海彬 |
地址: | 100088 北京市西城区新*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 稀缺 信息 页面 筛选 方法 装置 | ||
1.一种稀缺信息页面的筛选方法,包括:
对搜索引擎抓取的页面作分词处理,生成多个分词;
在所述多个分词中查找稀缺词;
筛选出包含所述稀缺词的页面作为稀缺信息页面。
2.根据权利要求1所述的方法,其中,在所述多个分词中查找稀缺词,包括:
对于每个分词,查找索引中包含该分词的页面的数量;
确定对应的页面数量小于第一数量阈值的分词,标记为稀缺词。
3.根据权利要求1-2任一项所述的方法,其中,确定对应的页面数量小于第一数量阈值的分词,标记为稀缺词,包括:
确定对应的页面数量小于第一数量阈值、且大于第二数量阈值的分词,标记为稀缺词,其中,所述第二数量阈值小于第一数量阈值。
4.根据权利要求1-3任一项所述的方法,其中,在所述多个分词中查找稀缺词,包括:
对于每个分词,确定包含该分词的页面的数量;
根据确定的数量,计算每个分词的逆向文件词频IDF值;
在所述多个分词中查找IDF值大于指定数值阈值的分词,标记为稀缺词。
5.根据权利要求1-4任一项所述的方法,其中,对于每个分词,确定包含该分词的页面的数量之前,还包括:
计算所述多个分词中每个分词在各自所在页面中的出现频率;
在所述多个分词中,过滤掉出现频率大于指定频率阈值的分词。
6.根据权利要求1-5任一项所述的方法,其中,对搜索引擎抓取的页面作分词处理,包括:
抽取搜索引擎抓取的页面的内容文本;
对抽取的内容文本作分词处理。
7.根据权利要求1-6任一项所述的方法,其中,所述稀缺词包括下列至少之一:人名、地名、物名、商品型号。
8.根据权利要求1-7任一项所述的方法,其中,筛选出包含所述稀缺词的页面作为稀缺信息页面之后,还包括:
对所述稀缺信息页面进行筛选处理;
将筛选处理后的稀缺信息页面建立索引,以供搜索引擎向用户提供检索稀缺信息的服务。
9.根据权利要求1-8任一项所述的方法,其中,所述筛选处理的方式包括下列至少之一:去垃圾、去重、反作弊。
10.一种稀缺信息页面的筛选装置,包括:
分词生成器,适于对搜索引擎抓取的页面作分词处理,生成多个分词;
稀缺词查找器,适于在所述多个分词中查找稀缺词;
稀缺信息页面筛选器,适于筛选出包含所述稀缺词的页面作为稀缺信息页面。
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北京奇虎科技有限公司;奇智软件(北京)有限公司,未经北京奇虎科技有限公司;奇智软件(北京)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/pat/books/201410759482.9/1.html,转载请声明来源钻瓜专利网。
- 上一篇:交叉分析用户行为的方法
- 下一篇:一种新型多媒体设备内置音频放大器
- 信息记录介质、信息记录方法、信息记录设备、信息再现方法和信息再现设备
- 信息记录装置、信息记录方法、信息记录介质、信息复制装置和信息复制方法
- 信息记录装置、信息再现装置、信息记录方法、信息再现方法、信息记录程序、信息再现程序、以及信息记录介质
- 信息记录装置、信息再现装置、信息记录方法、信息再现方法、信息记录程序、信息再现程序、以及信息记录介质
- 信息记录设备、信息重放设备、信息记录方法、信息重放方法、以及信息记录介质
- 信息存储介质、信息记录方法、信息重放方法、信息记录设备、以及信息重放设备
- 信息存储介质、信息记录方法、信息回放方法、信息记录设备和信息回放设备
- 信息记录介质、信息记录方法、信息记录装置、信息再现方法和信息再现装置
- 信息终端,信息终端的信息呈现方法和信息呈现程序
- 信息创建、信息发送方法及信息创建、信息发送装置