[發明專利]一種文檔索引的建立方法和裝置

在審

• 申請號: 201410806931.0
• 申請日: 2014-12-22
• 公開（公告）號: CN104504069A
• 公開（公告）日: 2015-04-08
• 發明（設計）人: 王翀;陳進平
• 申請（專利權）人: 北京奇虎科技有限公司;奇智軟件（北京）有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京潤澤恒知識產權代理有限公司11319
• 代理人: 趙娟

技術領域

本發明涉及搜索技術領域，特別是涉及一種文檔索引的建立方法和一種文檔索引的建立裝置。

背景技術

隨著網絡的迅速發展，網絡上的信息急劇增加。用戶為了在海量的信息中尋找所需的信息，通常使用搜索引擎進行搜索。

搜索引擎指自動從因特網搜集信息，經過一定整理以后，提供給用戶進行查詢的系統。信息浩瀚萬千，而且毫無秩序，所有的信息像汪洋上的一個個小島，網頁鏈接是這些小島之間縱橫交錯的橋梁，而搜索引擎，則為用戶繪制一幅一目了然的信息地圖，供用戶隨時查閱。

但是，如圖1所示，用戶在搜索常用電話號碼(如2223256)時，搜索引擎仍按通用算法給出結果。由于標題和鏈接的權重較高，排在前面的結果往往在標題或鏈接中出現查詢詞，而這些結果有時并非用戶所需，準確率低。用戶在未搜索到所需的信息時，通常在搜索結果中翻頁查找、重新輸入搜索關鍵詞等方式進行搜索，操作麻煩，搜索引擎和本地系統的資源消耗大，帶寬消耗大，搜索效率低。

發明內容

鑒于上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地解決上述問題的一種文檔索引的建立方法和相應的一種文檔索引的建立裝置。

依據本發明的一個方面，提供了一種文檔索引的建立方法，包括：

提取網頁中的文本信息；

判斷所述文本信息中是否具有通訊特征信息；若是，則提取所述通訊特征信息；

采用所述通訊特征信息和所述網頁建立文檔索引。

可選地，所述網頁包括頁面標題、頁眉、頁腳、主體內容、功能區、導航區中的至少一個區域；

所述提取網頁中的文本信息的步驟包括：

提取網頁中頁面標題、頁眉、頁腳、主體內容、功能區、導航區中的至少一個區域的文本信息。

可選地，所述通訊特征信息包括指定位數的電話號碼；

所述判斷所述文本信息中是否具有通訊特征信息的步驟包括：

對所述文本信息進行分詞處理，獲得一個或多個文本分詞；

當所述文本分詞與預設的通訊標識匹配時，判斷第一目標文本分詞是否為指定位數的數字序列；所述第一目標文本分詞為與所述通訊標識匹配的文本分詞之后的文本分詞；

若是，則判斷所述第一目標文本分詞為指定位數的電話號碼。

可選地，所述通訊特征信息還包括電話區號；

所述判斷所述文本信息中是否具有通訊特征信息的步驟還包括：

判斷第二目標文本分詞中是否具有區號標識；若是，則判斷所述目標文本分詞對應的文本分詞為電話區號；所述第二目標文本分詞為與所述通訊標識匹配的文本分詞之后的文本分詞。

可選地，所述判斷所述目標文本分詞對應的文本分詞為區號信息的步驟包括：

判斷所述目標文本分詞包含的文本分詞為電話區號；

或者，

判斷在所述目標文本分詞之前的文本分詞為電話區號。

可選地，所述指定位數為7位或8位。

可選地，所述采用所述通訊特征信息和所述網頁建立文檔索引的步驟包括：

記錄出現的所述通訊特征信息在所述網頁中出現的位置；

將所述通訊特征信息及所述出現的位置記錄在文檔索引中。

根據本發明的另一方面，提供了一種文檔索引的建立裝置，包括：

第一提取模塊，適于提取網頁中的文本信息；

判斷模塊，適于判斷所述文本信息中是否具有通訊特征信息；若是，則調用第二提取模塊；

第二提取模塊，適于提取所述通訊特征信息；

建立模塊，適于采用所述通訊特征信息和所述網頁建立文檔索引。

可選地，所述網頁包括頁面標題、頁眉、頁腳、主體內容、功能區、導航區中的至少一個區域；

所述第一提取模塊還適于：

提取網頁中頁面標題、頁眉、頁腳、主體內容、功能區、導航區中的至少一個區域的文本信息。

可選地，所述通訊特征信息包括指定位數的電話號碼；所述判斷模塊還適于：

對所述文本信息進行分詞處理，獲得一個或多個文本分詞；

當所述文本分詞與預設的通訊標識匹配時，判斷第一目標文本分詞是否為指定位數的數字序列；所述第一目標文本分詞為與所述通訊標識匹配的文本分詞之后的文本分詞；

若是，則判斷所述第一目標文本分詞為指定位數的電話號碼。

可選地，所述通訊特征信息還包括電話區號；所述判斷模塊還適于：