[發明專利]一種基于級聯分類器的官網識別方法

有效

• 申請號: 201710642225.0
• 申請日: 2017-07-31
• 公開（公告）號: CN107403198B
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 陳開冉;莫碧云
• 申請（專利權）人: 廣州探跡科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 劉巧霞;黃磊

1.一種基于級聯分類器的官網識別方法，其特征在于，包括以下步驟：

S1：收集海量文本數據，構建樣本集，將樣本集劃分為帶標簽數據集和待預測樣本集，其中帶標簽數據集中的樣本均已確定是否為官網，根據帶標簽數據集中的樣本提取官網特征，在提取官網特征后，執行特征篩選步驟：通過梯度提升決策樹模型獲取特征重要性權重，并剔除重要性值低于一定閾值的特征，確定最后的特征列表；

S2：對樣本集進行預處理，通過官網特征列表將輸入樣本從文本形式的輸入空間映射到向量形式的特征空間；

S3：根據帶標簽數據集訓練第一級分類器；

S4：應用第一級分類器對待預測樣本集中的樣本進行分類，得到預測可信樣本和未識別樣本；

S5：從未識別樣本中選取一部分進行人工打標簽，即人工判斷樣本是否為官網，記為新標簽樣本；

S6：根據新標簽樣本，結合步驟S1提取的官網特征，采用梯度提升決策樹算法訓練得出第二級分類器，然后用第二級分類器對未識別樣本進行再次分類，分類結果再次得到預測可信樣本和未識別樣本；

S7：重復步驟S5、S6，以此類推訓練獲得第三、第四、第N的多層級的級聯分類器；

S8：在實際要進行官網識別時，提取待識別網站的官網特征，將特征依次代入到上述級聯分類器，如果最終仍認為不可識別，則判定該待識別網站不是官網。

2.根據權利要求1所述的基于級聯分類器的官網識別方法，其特征在于，所述步驟S1中，官網特征包括：樣本中圖片數量、超鏈接數量、官網關鍵詞是否存在。