[發(fā)明專利]一種識(shí)別作弊網(wǎng)頁的方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201610412719.5
• 申請(qǐng)日: 2016-06-13
• 公開（公告）號(hào): CN107491453B
• 公開（公告）日: 2022-09-02
• 發(fā)明（設(shè)計(jì)）人: 李健;許靜芳
• 申請(qǐng)（專利權(quán)）人: 北京搜狗科技發(fā)展有限公司
• 主分類號(hào): G06F16/953
• 分類號(hào): G06F16/953
• 代理公司: 深圳市深佳知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44285
• 代理人: 王仲凱

本發(fā)明公開了一種識(shí)別作弊網(wǎng)頁的方法及裝置，所述方法包括：獲取用于生成目標(biāo)網(wǎng)頁的源文件數(shù)據(jù)；利用預(yù)先建立的作弊方式庫中的各個(gè)網(wǎng)頁作弊方式，對(duì)所述源文件數(shù)據(jù)進(jìn)行作弊方式的匹配，所述網(wǎng)頁作弊方式是指在解析網(wǎng)頁源文件得到的網(wǎng)頁數(shù)據(jù)中嵌入作弊信息的方式；如果從所述作弊方式庫中匹配出至少一種網(wǎng)頁作弊方式，則將所述目標(biāo)網(wǎng)頁識(shí)別為作弊網(wǎng)頁。對(duì)于經(jīng)頁面渲染得到的網(wǎng)頁內(nèi)容，本發(fā)明實(shí)施例能夠確定其中是否嵌入作弊信息，從而能夠提高作弊網(wǎng)頁的識(shí)別率。

技術(shù)領(lǐng)域

本發(fā)明涉及信息處理技術(shù)領(lǐng)域，尤其涉及一種識(shí)別作弊網(wǎng)頁的方法及裝置。

背景技術(shù)

隨著網(wǎng)絡(luò)信息的不斷增長(zhǎng)，人們通常利用搜索引擎從網(wǎng)絡(luò)上查詢信息，而一個(gè)網(wǎng)頁能否在搜索引擎的排名中占有比較靠前的位置，這在很大程度上決定了該網(wǎng)頁的被訪問量，因此，一些網(wǎng)站不是通過提高網(wǎng)頁質(zhì)量來提高其在搜索引擎中的排名，而是根據(jù)搜索引擎對(duì)網(wǎng)頁的排序特點(diǎn)，采用欺騙手段來提高網(wǎng)頁排名，這就是網(wǎng)頁作弊，而采用了欺騙手段的網(wǎng)頁被稱為作弊網(wǎng)頁。

網(wǎng)頁作弊方式主要分為內(nèi)容作弊、鏈接作弊、以及欺騙爬蟲作弊。其中，所述內(nèi)容作弊，是在作弊網(wǎng)頁中添加一些熱門的查詢?cè)~，這些熱門詞匯被添加在作弊網(wǎng)頁的各個(gè)不同的域里面，使得作弊網(wǎng)頁能夠在用戶進(jìn)行熱門查詢時(shí)被檢索到，并且獲得較高的相關(guān)性評(píng)分，從而達(dá)到提升作弊網(wǎng)頁排名的目的；所述鏈接作弊，是通過構(gòu)建鏈接關(guān)系來誤導(dǎo)網(wǎng)頁排名(PageRank)算法和超文本敏感標(biāo)題搜索(Hypertext-Induced Topic Search，簡(jiǎn)稱HITS)算法，從而提高作弊網(wǎng)頁的重要性評(píng)分，進(jìn)而達(dá)到提升作弊網(wǎng)頁排名的目的；所述欺騙爬蟲作弊，是在搜索引擎要進(jìn)行頁面抓取的時(shí)候，作弊網(wǎng)頁向搜索引擎發(fā)送一個(gè)包含有用資源的高質(zhì)量頁面，從而使搜索引擎認(rèn)為它是一個(gè)有價(jià)值的頁面，并在用戶進(jìn)行查詢時(shí)，將其排在比較靠前的位置，但在用戶點(diǎn)擊時(shí)，作弊網(wǎng)頁會(huì)向用戶瀏覽器發(fā)送與用戶查詢不相關(guān)的內(nèi)容。

一個(gè)網(wǎng)頁通常包括靜態(tài)頁面內(nèi)容和動(dòng)態(tài)頁面內(nèi)容，靜態(tài)頁面內(nèi)容是利用網(wǎng)頁源文件中存在的網(wǎng)頁內(nèi)容直接生成的，動(dòng)態(tài)頁面內(nèi)容是通過解析網(wǎng)頁源文件、且利用解析得到的網(wǎng)頁數(shù)據(jù)進(jìn)行頁面渲染后生成的，而現(xiàn)有的作弊網(wǎng)頁識(shí)別方法，只利用搜索引擎抓取靜態(tài)頁面，通過分析靜態(tài)頁面內(nèi)容來判斷網(wǎng)頁是否采用了上述網(wǎng)頁作弊方式，但是，如果作弊者在生成動(dòng)態(tài)頁面的網(wǎng)頁數(shù)據(jù)中引入作弊信息，現(xiàn)有作弊識(shí)別方法將無法對(duì)網(wǎng)頁中的動(dòng)態(tài)頁面內(nèi)容進(jìn)行作弊識(shí)別，導(dǎo)致作弊網(wǎng)頁的識(shí)別率較低。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例的主要目的在于提供一種識(shí)別作弊網(wǎng)頁的方法及裝置，對(duì)于經(jīng)頁面渲染得到的網(wǎng)頁內(nèi)容，本發(fā)明實(shí)施例能夠確定其中是否嵌入作弊信息，從而能夠提高作弊網(wǎng)頁的識(shí)別率。

一方面，本發(fā)明實(shí)施例提供了一種識(shí)別作弊網(wǎng)頁的方法，包括：

獲取用于生成目標(biāo)網(wǎng)頁的源文件數(shù)據(jù)；

利用預(yù)先建立的作弊方式庫中的各個(gè)網(wǎng)頁作弊方式，對(duì)所述源文件數(shù)據(jù)進(jìn)行作弊方式的匹配，所述網(wǎng)頁作弊方式是指在解析網(wǎng)頁源文件得到的網(wǎng)頁數(shù)據(jù)中嵌入作弊信息的方式；

如果從所述作弊方式庫中匹配出至少一種網(wǎng)頁作弊方式，則將所述目標(biāo)網(wǎng)頁識(shí)別為作弊網(wǎng)頁。

可選的，所述作弊方式庫可以通過以下方式建立：

獲取測(cè)試樣本集中每一測(cè)試樣本網(wǎng)頁中的測(cè)試網(wǎng)頁內(nèi)容，所述測(cè)試網(wǎng)頁內(nèi)容是通過解析所述測(cè)試樣本網(wǎng)頁的源文件、且利用解析得到的測(cè)試網(wǎng)頁數(shù)據(jù)進(jìn)行頁面渲染后生成的網(wǎng)頁內(nèi)容；

根據(jù)所述測(cè)試網(wǎng)頁內(nèi)容中的至少一個(gè)網(wǎng)頁特征判斷所述測(cè)試樣本網(wǎng)頁是否為作弊網(wǎng)頁；

如果所述測(cè)試樣本網(wǎng)頁被判斷為作弊網(wǎng)頁，則分析所述解析得到的測(cè)試網(wǎng)頁數(shù)據(jù)，確定所述測(cè)試樣本網(wǎng)頁用于實(shí)現(xiàn)網(wǎng)頁作弊的至少一種網(wǎng)頁作弊方式，保存在作弊方式庫中。

可選的，所述根據(jù)所述測(cè)試網(wǎng)頁內(nèi)容中的至少一個(gè)網(wǎng)頁特征判斷所述測(cè)試樣本網(wǎng)頁是否為作弊網(wǎng)頁，包括：