[發明專利]網頁相關關鍵詞的抽取處理方法和系統

有效

• 申請號: 201310046107.5
• 申請日: 2013-02-05
• 公開（公告）號: CN103970800B
• 公開（公告）日: 2018-06-15
• 發明（設計）人: 王莉峰
• 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: 北京德琦知識產權代理有限公司 11018
• 代理人: 張曉峰;宋志強

1.一種網頁相關關鍵詞的抽取處理方法，其特征在于，包括：

獲取指定網頁的頁面內容和上下文信息，所述上下文信息包括該網頁的入鏈錨信息、和與該網頁相關的用戶行為信息；

在收到網頁訪問請求后，根據網絡媒介信息投放方的關鍵詞詞典，從所訪問網頁的頁面內容和上下文信息中抽取候選關鍵詞；

對所抽取的各候選關鍵詞進行權重計算，并根據權重進行排序；

從所述候選關鍵詞中抽取權重排名前n位的關鍵詞，所述n為指定值；

所述對所抽取的各候選關鍵詞進行權重計算，并根據權重進行排序，具體包括：

根據所訪問網頁的頁面內容確定所述各候選關鍵詞在該網頁上的頁面特征，根據所訪問網頁的上下文信息確定所述各候選關鍵詞與該網頁的上下文相關特征；

根據所述各候選關鍵詞的在該網頁上的頁面特征和與該網頁的上下文相關特征，利用邏輯回歸方式，構建各候選關鍵詞的邏輯回歸模型；

針對所述各候選關鍵詞，根據該候選關鍵詞的邏輯回歸模型進行邏輯回歸分析計算，得到邏輯回歸值，以該邏輯回歸值作為該候選關鍵詞的權重；

根據所述各候選關鍵詞的權重對各候選關鍵詞進行排序。

2.根據權利要求1所述的方法，其特征在于，所述獲取與指定網頁相關的用戶行為信息，具體包括：

從搜索數據平臺中獲取對指定網頁的查詢字符串和對應的點擊信息，將對該網頁的查詢字符串和對應的點擊信息作為與該網頁相關的用戶行為信息。

3.根據權利要求1所述的方法，其特征在于，所述根據網絡媒介信息投放方的關鍵詞詞典，從該網頁的頁面內容和上下文信息中抽取候選關鍵詞，具體包括：

獲取所述網絡媒介信息投放方的關鍵詞詞典；

利用多模式串匹配方式將該關鍵詞詞典中的關鍵詞與該網頁的頁面內容和上下文信息進行匹配，將匹配出的關鍵詞作為所抽取的候選關鍵詞。

4.根據權利要求1所述的方法，其特征在于，所述候選關鍵詞在所訪問網頁上的頁面特征，包括：候選關鍵詞在所訪問網頁上的出現位置參數、詞頻-逆向文件頻率特征。

5.根據權利要求1所述的方法，其特征在于，所述候選關鍵詞與所訪問網頁的上下文相關特征，包括以下特征的任意種：

候選關鍵詞是否出現在該網頁的入鏈錨信息中以及出現次數；

候選關鍵詞是否作為用戶查詢字符串出現以及以該查詢字符串進行查詢的頻率；

候選關鍵詞作為用戶查詢字符串查詢出該網頁后，該網頁被點擊的頻率以及點擊用戶的總數。

6.根據權利要求1所述的方法，其特征在于，在從所述候選關鍵詞中抽取權重排名前n位的關鍵詞之后，進一步包括：

從網絡媒介信息投放方投放的網絡媒介信息中選擇與所述前n位的關鍵詞匹配的網絡媒介信息，將匹配出的網絡媒介信息展示在所訪問網頁對應的展示位上。

7.一種網頁相關關鍵詞的抽取處理系統，其特征在于，包括：

信息搜集模塊，用于獲取指定網頁的頁面內容和上下文信息，所述上下文信息包括該網頁的入鏈錨信息、和與該網頁相關的用戶行為信息；

第一抽取模塊，用于在收到網頁訪問請求后，根據網絡媒介信息投放方的關鍵詞詞典，從所訪問網頁的頁面內容和上下文信息中抽取候選關鍵詞；

權重排序模塊，用于對所抽取的各候選關鍵詞進行權重計算，并根據權重進行排序；

第二抽取模塊，用于從所述候選關鍵詞中抽取權重排名前n位的關鍵詞，所述n為指定值；

所述排序模塊具體包括：

第一模塊，用于根據所訪問網頁的頁面內容確定所述各候選關鍵詞在該網頁上的頁面特征，根據所訪問網頁的上下文信息確定所述各候選關鍵詞與該網頁的上下文相關特征；

第二模塊，用于根據所述各候選關鍵詞的在該網頁上的頁面特征和與該網頁的上下文相關特征，利用邏輯回歸方式，構建各候選關鍵詞的邏輯回歸模型；

第三模塊，用于針對所述各候選關鍵詞，根據該候選關鍵詞的邏輯回歸模型進行邏輯回歸分析計算，得到邏輯回歸值，以該邏輯回歸值作為該候選關鍵詞的排序權重；

第四模塊，用于根據所述各候選關鍵詞的權重對各候選關鍵詞進行排序。