[發明專利]一種對頁面標注標簽的方法及裝置

有效

• 申請號: 201410572809.1
• 申請日: 2014-10-23
• 公開（公告）號: CN104317891B
• 公開（公告）日: 2017-11-28
• 發明（設計）人: 盧漢
• 申請（專利權）人: 華為軟件技術有限公司
• 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: 馮艷蓮

1.一種對頁面標注標簽的方法，其特征在于，包括：

確定待標注標簽的頁面的第一關鍵詞組與類別；

從分類標簽庫中選擇與所述頁面的類別對應的子標簽庫，所述分類標簽庫中的任意一子標簽庫包括用于從不同元素表示該子標簽庫屬性的各個元素，及與每一個元素分別對應的元素信息；

查看選擇出的子標簽庫所包括的元素信息中是否存在與所述第一關鍵詞組中的任意一關鍵詞相同的元素信息；

將與所述任意一關鍵詞相同的元素信息作為所述頁面的標簽進行標注。

2.如權利要求1所述的方法，其特征在于，確定待標注標簽的頁面的第一關鍵詞組與類別之前，還包括：

采集訓練頁面，并對訓練頁面分類得到頁面類別；

對每一種頁面類別下的各個類訓練頁面抓取關鍵詞，獲得每一種頁面類別分別對應的第二關鍵詞組；

確定待標注標簽的頁面的類別，具體包括：

查找所述第一關鍵詞組所屬的第二關鍵詞組所對應的頁面類別；

將查找到的頁面類別作為所述待標注標簽的頁面的類別。

3.如權利要求1或2所述的方法，其特征在于，從分類標簽庫中選擇與所述頁面的類別對應的子標簽庫之前，還包括：

采用網絡爬蟲方式抓取各種頁面類別分別對應的按照預設規則組織頁面架構的訓練頁面；

針對任意一種頁面類別對應的訓練頁面，采集所述任意一種頁面類別對應的訓練頁面包括的各個元素，及所述各個元素分別對應的元素信息；

根據所述各個元素及所述元素信息組成所述頁面類別對應的子標簽庫。

4.如權利要求1-3任一項所述的方法，其特征在于，所述任意一子標簽庫還包括所述每一個元素分別對應的元素信息所對應的概率值，其中，任意一元素對應的元素信息所對應的概率值為，所述元素信息出現在所述元素下的所有訓練頁面與采用網絡爬蟲方式抓取到的所有訓練頁面的比值；

將與所述任意一關鍵詞相同的元素信息作為所述頁面的標簽進行標注，具體包括：

確定與所述第一關鍵詞組中的任意一關鍵詞相同的至少一個元素信息分別對應的概率值；

將概率值大于預設概率門限值的元素信息作為所述頁面的標簽進行標注。

5.如權利要求1-3任一項所述的方法，其特征在于，所述任意一子標簽庫還包括所述每一個元素分別對應的元素信息所對應的信息熵，其中，任意一元素對應的元素信息所對應的信息熵，與所述元素信息出現在所述元素下的所有訓練頁面與采用網絡爬蟲方式抓取到的所有訓練頁面的比值呈負相關；

將與所述任意一關鍵詞相同的元素信息作為所述頁面的標簽進行標注，具體包括：

確定與所述第一關鍵詞組中的任意一關鍵詞相同的至少一個元素信息分別對應的信息熵；

將信息熵小于預設信息熵門限值的元素信息作為所述頁面的標簽進行標注。

6.如權利要求4或5所述的方法，其特征在于，所述任意一元素信息對應的概率值是采用元素-元素信息的模式匹配方式計算得到的。

7.一種對頁面標注標簽的裝置，其特征在于，包括：

確定單元，用于確定待標注標簽的頁面的第一關鍵詞組與類別；

選擇單元，用于從分類標簽庫中選擇與所述頁面的類別對應的子標簽庫，所述分類標簽庫中的任意一子標簽庫包括用于從不同元素表示該子標簽庫屬性的各個元素，及與每一個元素分別對應的元素信息；

查看單元，用于查看選擇出的子標簽庫所包括的元素信息中是否存在與所述第一關鍵詞組中的任意一關鍵詞相同的元素信息；

標注單元，用于將與所述任意一關鍵詞相同的元素信息作為所述頁面的標簽進行標注。

8.如權利要求7所述的裝置，其特征在于，還包括獲取單元，所述獲取單元用于，采集訓練頁面，并對訓練頁面分類得到頁面類別；對每一種頁面類別下的各個類訓練頁面抓取關鍵詞，獲得每一種頁面類別分別對應的第二關鍵詞組；

所述確定單元具體用于：查找所述第一關鍵詞組所屬的第二關鍵詞組所對應的頁面類別；將查找到的頁面類別作為所述待標注標簽的頁面的類別。