[發明專利]通過網頁多視圖數據關聯組合識別垃圾網頁的方法

有效

• 申請號: 201210187098.7
• 申請日: 2012-06-07
• 公開（公告）號: CN102750345A
• 公開（公告）日: 2012-10-24
• 發明（設計）人: 張化祥;高爽
• 申請（專利權）人: 山東師范大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 張勇

1.一種通過網頁多視圖數據關聯組合識別垃圾網頁的方法，其特征是，首先提取已標記網頁的內容特征數據及超鏈接特征數據，分別稱為內容視圖及鏈接視圖，并表示為已標記網頁的內容矩陣和鏈接矩陣；利用典型相關分析及其相關改進方法，獲取內容視圖及鏈接視圖的最大相關投影矩陣；提取未標記網頁的內容矩陣及鏈接矩陣；利用最大相關投影矩陣生成網頁新的內容矩陣及鏈接矩陣；采用不同的組合方式，生成網頁單視圖數據；用已標記網頁單視圖數據訓練分類器，將未標記網頁識別為正常網頁或垃圾網頁。

2.如權利要求1所述的通過網頁多視圖數據關聯組合識別垃圾網頁的方法，其特征是，該方法包括如下步驟：

步驟1.對已經標記為正常及垃圾的網頁，提取網頁的內容特征數據及超鏈接特征數據，分別稱為內容視圖及鏈接視圖，并表示為以行為網頁以列為屬性的已標記網頁內容矩陣X₁和已標記網頁鏈接矩陣Y₁；

步驟2.將步驟1得到的兩矩陣X₁,Y₁，利用典型相關分析方法，分析其最大相關性，并獲取內容視圖及鏈接視圖的最大相關投影矩陣，即內容投影矩陣w_x和鏈接投影矩陣w_y；

步驟3.對未標記網頁，提取網頁的內容視圖及鏈接視圖，以行為網頁以列為屬性分別表示為未標記網頁內容矩陣X₂和未標記網頁鏈接矩陣Y₂；

步驟4.利用步驟2生成的兩視圖最大相關投影矩陣w_x,w_y，分別對步驟1中的已標記網頁的兩視圖矩陣X₁,Y₁和步驟3中的未標記網頁的兩視圖矩陣X₂,Y₂進行投影，得到已標記網頁新的內容矩陣及鏈接矩陣和未標記網頁新的內容矩陣及鏈接矩陣

步驟5.將步驟4生成的新的已標記網頁兩視圖矩陣采用并行及串行組合方式，生成已標記網頁單視圖數據；

步驟6.利用步驟5產生的已標記網頁的單視圖數據，訓練分類器，用于未標記網頁的識別；

步驟7.將步驟4生成的新的未標記網頁兩視圖矩陣采用并行及串行組合方式，生成未標記網頁單視圖數據；

步驟8.利用步驟6得到的分類器，對步驟7中生成的未標記網頁單視圖數據分類，根據分類結果，將未標記網頁識別為正常網頁或垃圾網頁。