[發明專利]一種完善社區網絡的方法和系統

在審

• 申請號: 201110229793.0
• 申請日: 2011-08-11
• 公開（公告）號: CN102929889A
• 公開（公告）日: 2013-02-13
• 發明（設計）人: 高燕;傅力;張震瑋;張巖;孔亮;黃叢蕊
• 申請（專利權）人: 中興通訊股份有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 黃志華

技術領域

本發明主要涉及網絡技術中額網絡搜索技術領域，尤其涉及一種完善社區網絡的方法和系統。

背景技術

隨著互聯網技術的不斷發展，網絡上的資源也越來越多。越來越多的用戶從網絡上搜索、篩選自己需要的數據。

因著網絡上數據的飛速增長，導致用戶需要在網絡上耗費大量的時間檢索自己所需要的數據。因而隨之產生了社區服務，社區服務是指將包含類似或相關內容的網頁有序的羅列在一起，例如BBS論壇、在線交友以及貼吧空間等。在社區服務的背后，需要計算機對海量的信息自動進行社區挖掘，而文本又是網頁的主要內容，所以文本挖掘顯得尤為重要。

文本挖掘的內容是以自然語言的形式呈現的，而復雜的自然語言是計算機所難以理解的，因此我們可以采用從網頁中提取關鍵詞的辦法，來表達網頁的大意。另外隨著網絡技術的發展，用戶留在網絡上的信息不僅包括訪問記錄和操作行為，還包括：用戶為網絡圖片打上注釋、評論所看到的文章、為訪問過的頁面打上標簽等。帶有用戶鮮明個性的標簽，已然為海量網頁的呈現、組織和檢索質量造成了顯著的影響，因而網頁標簽足以對網絡的自我組織產生決定性影響，所以本申請主要是基于網頁標簽來對網頁內容進行檢索，以完善社區網絡的信息。

傳統的基于標簽進行信息檢索，如圖1所示，主要包括如下步驟：

S101：獲得網絡鏈路信息；

S103：通過所述網頁鏈接信息，獲得與其相對應的網頁，所述網頁包括訪問過所述網頁鏈接的用戶設置的標簽信息；

S105：提取用來表征所述網頁的關鍵詞信息；

S107：相似度分析：將所述關鍵詞與進行搜索的基準關鍵詞進行相似度分析，得到所述網頁與基準為網頁的相似度；

S109：網頁篩選：當所述相似度滿足一定條件時，將所述網頁加入到社區中。

不難看出，標簽作為關鍵詞的擴展形式，由于其所含的信息量比較大。因而利用傳統的文本挖掘技術時，不免影響對其進行準確的分析，尤其是當兩個標簽，其在自然語言中是意義相同的同義詞，而在基于統計方法的文本挖掘中，可能會被直觀的處理為毫無意義而正交的兩個向量，這樣輕率的判斷無疑會很大程度上降低網絡服務的質量。

發明內容

本申請提供了一種通過文本挖掘來完善社區網絡的方法和系統。用以解決現有技術中，對于自然語言中意義相同的同義詞的兩個標簽，可能會被處理為毫無意義而正交的兩個向量，進而降低了社區網絡服務質量的問題。

一方面，本發明通過本申請中的一個實施例，提供如下技術方案：

一種完善社區網絡的方法，包括如下步驟：

獲得網絡鏈接信息；

通過如所述網頁鏈接信息，獲得與所述網頁鏈接信息相對應的網頁，所述網頁包括訪問過所述網頁鏈接的用戶設置的標簽信息；

獲得用來表征所述網頁特征的至少一個關鍵詞，所述至少一個關鍵詞中的至少一個第一關鍵詞與所述標簽信息對應；

將所述至少一個關鍵詞與基準關鍵詞進行相似度分析，得到所述網頁的特征信息，所述基準關鍵詞為所述社區網絡中已經有的基準網頁對應的關鍵詞；

將所述至少一個關鍵詞與所述基準關鍵詞進行語義相似度分析，得到所述網頁的語義相似度值；

基于所述特征信息和所述語義相似度值，獲得所述網頁與所述基準網頁的第二網頁相似度值；

當所述第二網頁相似度值滿足一定條件時，將所述網頁加入到所述社區網絡中。

可選的，所述網頁還包括有網頁內容；所述至少一個關鍵詞還包括有至少一個第二關鍵詞，所述至少一個第二關鍵詞與所述網頁內容對應。

可選的，所述基于所述特征信息和所述語義相似度值，獲得所述網頁與所述基準網頁的第二網頁相似度值，具體包括：

將所述語義相似度值引入到所述特征信息中，對所述特征信息進行一個補充，得到第一網頁相似度值；

對所述第一網頁相似度值進行聚類分析，得到所述第二網頁相似度值。

可選的，所述至少一個第二關鍵詞通過如下步驟獲得：

搜集所述網頁中的關鍵詞信息，得到至少一個第三關鍵詞；

對所述至少一個第三關鍵詞進行過濾處理，得到至少一個第四關鍵詞；

利用所述至少一個第四關鍵詞，通過統計方法，對所述網頁特征進行分析，得到所述至少一個第二關鍵詞。

另一方面，本發明通過本申請中的另一實施例提供如下技術方案：

一種完善社區網絡的系統，包括：