[發明專利]一種抽取網頁信息塊的方法及裝置

在審

• 申請號: 201210004653.8
• 申請日: 2012-01-09
• 公開（公告）號: CN103198075A
• 公開（公告）日: 2013-07-10
• 發明（設計）人: 徐羽;彭默;蔡兵
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 關文魁

1.一種抽取網頁信息塊的方法，其特征在于，所述方法包括：

獲取網頁所包括的多個特征的特征值，所述網頁包括多個信息塊；

根據獲取的所述多個特征值確定所述每個信息塊的類別，所述多個信息塊分別與多個類別一一對應，所述多個類別包括頁頂導航、二級導航、正文標題、正文信息、正文、小說標題、小說正文信息、小說正文、小說導航、博客導航、博客標題、博客信息、博客正文、鏈接信息塊和交互塊中至少一者；

從所述網頁中選定至少一個信息塊以進行顯示。

2.如權利要求1所述的方法，其特征在于，獲取網頁所包括的多個特征的特征值，包括：

將所述網頁具有的特征的特征值設置為第一特征值，將所述網頁不具有的特征的特征值設置為第二特征值。

3.如權利要求2所述的方法，其特征在于，所述根據獲取的所述多個特征值確定所述每個信息塊的類別包括：計算每個信息塊屬于每個類別的概率，并將對應概率最大的類別定義為該信息塊的類別。

4.如權利要求3所述的方法，其特征在于，所述計算每個信息塊屬于每個類別的概率包括：

針對任一個類別C，根據所述類別C包括的樣本總數Ctotal和每個類別包括的樣本總數Total計算出所述類別C的類別概率

對于所述信息塊對應的特征Tk的特征值，k為1至預設數值F之間的任一值，從所述類別C包括的樣本中獲取所述特征Tk的特征值為第一特征值的樣本，統計所述獲取的樣本的個數，得到第一樣本個數Ck；

從所述預設的每個類別包括的樣本中獲取所述特征Tk的特征值為第一特征值的樣本，統計所述獲取的樣本的個數，得到第二樣本個數Ek；

對所述特征Tk的特征值進行判斷；

如果為第一特征值，則根據所述第一樣本個數Ck和第二樣本個數Ek，并通過如下的公式(1)計算出所述特征Tk的特征概率P(Tk)，根據所述類別概率P(C)和所述信息塊對應的特征的特征概率計算出所述信息塊屬于所述類別C的概率P＝P(C)*P(T1)*P(T2)*P(T3)*……*P(TF)；

其中，k1和k2為系數，且k2的值大于或等于k1的值；

如果為第二特征值，則根據所述第一樣本個數Ck和第二樣本個數Ek，并通過如下的公式(2)計算出所述特征Tk的特征概率P(Tk)；根據所述類別概率P(C)和所述信息塊對應的特征的特征概率計算出所述信息塊屬于所述類別C的概率P＝P(C)*P(T1)*P(T2)*P(T3)*……*P(TF)；

P(Tk)=1-Ck+k1Ek+k2······(2).]]>

5.一種抽取網頁信息塊的裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取網頁所包括的多個特征的特征值，所述網頁包括多個信息塊；

確定模塊，用于根據獲取的所述多個特征值確定所述每個信息塊的類別，所述多個信息塊分別與多個類別一一對應，所述多個類別包括頁頂導航、二級導航、正文標題、正文信息、正文、小說標題、小說正文信息、小說正文、小說導航、博客導航、博客標題、博客信息、博客正文、鏈接信息塊和交互塊；

選定模塊，用于從所述網頁中選定至少一個信息塊以進行顯示。

6.如權利要求5所述的裝置，其特征在于，

所述獲取模塊，具體用于將所述網頁具有的特征的特征值設置為第一特征值，將所述網頁不具有的特征的特征值設置為第二特征值。