CN113360798A - 泛滥数据识别方法、装置、设备和介质 - Google Patents
泛滥数据识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113360798A CN113360798A CN202110614008.7A CN202110614008A CN113360798A CN 113360798 A CN113360798 A CN 113360798A CN 202110614008 A CN202110614008 A CN 202110614008A CN 113360798 A CN113360798 A CN 113360798A
- Authority
- CN
- China
- Prior art keywords
- data source
- data
- flooding
- site
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 15
- 235000019580 granularity Nutrition 0.000 description 21
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了泛滥数据识别方法、装置、电子设备、介质和程序产品，涉及互联网领域，尤其涉及大数据和智能搜索技术。具体实现方案为：根据互联网数据中每个页面的URL，获取所述互联网数据的数据源结构图，其中，所述数据源结构图至少包括所述互联网数据中各页面所属的站点，以及各站点所属的数据源；根据所述数据源结构图中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分；根据所述各站点的泛滥评分和各数据源的泛滥评分，分别计算所述各数据源的总泛滥评分，其中，所述总泛滥评分用于确定数据源是否存在数据泛滥。本公开可以有效地对存在数据泛滥的数据源进行识别。
Description
技术领域
本公开涉及互联网技术领域，尤其涉及大数据和智能搜索技术，具体涉及一种泛滥数据识别方法、装置、设备、介质和程序产品。
背景技术
针对互联网数据的收录，搜索引擎通常以数据站点粒度进行控制，例如，站点下有100个页面，搜索引擎根据质量判断后，给每个站点分配10个收录配额。
为了能获得更多的搜索引擎配额/权益，部分数据生产者通过建造大量的站点进行作弊，造成数据泛滥。例如，创建100个站点，每个站点1个页面。搜索引擎为了保障生产源的完整性，会收录这100个站点对应的100个页面。然而，收录的这100个页面中包含了大量的低质垃圾数据，严重影响了互联网生态，对数据生产者权益的公平性造成了很大伤害。
发明内容
本公开提供了一种泛滥数据识别方法、装置、设备、介质和程序产品。
根据本公开的一方面，提供了一种泛滥数据识别方法，包括：
根据互联网数据中每个页面的URL，获取所述互联网数据的数据源结构图，其中，所述数据源结构图至少包括所述互联网数据中各页面所属的站点，以及各站点所属的数据源；
根据所述数据源结构图中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分；
根据所述各站点的泛滥评分和各数据源的泛滥评分，分别计算所述各数据源的总泛滥评分，其中，所述总泛滥评分用于确定数据源是否存在数据泛滥。
根据本公开的另一方面，提供了一种泛滥数据识别装置，包括：
数据源结构图获取模块，用于根据互联网数据中每个页面的URL，获取所述互联网数据的数据源结构图，其中，所述数据源结构图至少包括所述互联网数据中各页面所属的站点，以及各站点所属的数据源；
第一计算模块，用于根据所述数据源结构图中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分；
第二计算模块，用于根据所述各站点的泛滥评分和各数据源的泛滥评分，分别计算所述各数据源的总泛滥评分，其中，所述总泛滥评分用于确定数据源是否存在数据泛滥。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任意实施例所述的泛滥数据识别方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本公开任意实施例所述的泛滥数据识别方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任意实施例所述的泛滥数据识别方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的一种泛滥数据识别方法的示意图；
图2是根据本公开实施例的一种示例性的数据源结构图；
图3是根据本公开实施例的一种泛滥数据识别方法的示意图；
图4是根据本公开实施例的一种泛滥数据识别装置的示意图；
图5是用来实现本公开实施例的泛滥数据识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例的泛滥数据识别方法的流程示意图，本实施例可适用于在搜索引擎收录互联网数据之前，对是否存在数据泛滥的现象进行识别的情况，涉及互联网领域，尤其涉及大数据和智能搜索技术。该方法可由一种泛滥数据识别装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括如下：
S101、根据互联网数据中每个页面的URL，获取互联网数据的数据源结构图，其中，所述数据源结构图至少包括互联网数据中各页面所属的站点，以及各站点所属的数据源。
搜索引擎提供给用户的搜索结果是从互联网数据中收录而来。为了维护互联网生态和数据生产者权益的公平性，需要有效地对互联网数据中数据泛滥的现象进行识别，以便采取相应的措施，避免作弊行为的发生，同时也避免收录大量的垃圾数据，提高数据搜索的质量。
首先需要获取互联网数据中每个页面的URL地址，URL地址中记载有页面有关的信息，因此，可以从中对页面所属的站点以及站点所属的数据源进行提取，构建出数据源结构图。
其中，数据源可以包括按如下粒度确定的数据源：主域、账号、公司或平台等任意的数据生产者。本公开实施例中，数据源可以是上述粒度中的任意一种或多种，对此不作任何限定，可以根据实际需要进行配置，因此，对泛滥数据源的分析则更加灵活。
以主域作为数据源为例，图2示出了一种示例性的数据源结构图。如图2所示，主域作为数据源，其数量可以有多个，每个主域数据源下都包括不同数量的站点，每个站点下又包括不同数量的页面(doc)。通过数据源结构图可以清楚地知道，每个页面来自于哪个站点，以及每个站点属于哪个主域下。此外，当以其他粒度作为数据源时，例如账号，则在数据源结构图中可以示出页面来自于哪个站点，以及每个站点属于哪个账号，也即，获取每个账号、同一账号下的站点以及同一站点下的页面。本公开实施例中，可以从其中任意一个粒度进行分析，也可以从多个粒度进行分析，并对此不作任何限定。
S102、根据数据源结构图中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分。
互联网数据中包含多个数据源和多个站点，且不同的数据源之间，以及不同的站点之间，其所包含的站点和页面均不相同。如果只从单个站点的粒度来衡量数据是否泛滥，则仍然无法规避数据的生产者作弊的情况，对不同的生产者也是不公平的，例如，创建100个站点，每个站点只有1个页面。因此，本公开实施例中，基于对互联网数据的反向溯源，基于数据的生产源粒度，以及对应粒度下数据的规模来判断是否存在数据泛滥，其效果更佳可信、公平。
具体而言，在获取到数据源结构图之后，即可确定出其中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，这些数量可以表示数据源和站点各自粒度下的数据规模。然后，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分，使得在不同的数据源之间以及不同的站点之间，数据具有一定的可比性，通过泛滥评分即可确定出相对而言各数据源和站点的数据泛滥情况。
S103、根据各站点的泛滥评分和各数据源的泛滥评分，分别计算各数据源的总泛滥评分，其中，所述总泛滥评分用于确定数据源是否存在数据泛滥。
S102中计算出的各站点的泛滥评分是根据其下包含的页面的规模统计得出，各数据源的泛滥评分是根据其下包含的站点的规模统计得出。因此，还需要从页面到数据源反向溯源，确定出数据源的总泛滥评分。具体而言，可以根据各数据源下所包含的各站点的泛滥评分的总和以及当前数据源的泛滥评分，来确定当前数据源的总泛滥评分。具体的计算方式，例如可以是将所述总和与对应的当前数据源的泛滥评分进行加权求和等，本公开实施例对此不作任何限定。
最后得到的总泛滥评分可以表示数据源下的站点以及各站点下的页面整体的数据规模，且不同站点和数据源之间也具有一定的可比性，因此，通过总泛滥评分，即可确定出各个数据源是否存在数据泛滥的情况。
本公开实施例的技术方案，通过对互联网数据进行反向溯源，从URL到数据源头进行统计分析，根据数据源粒度下的数据规模计算出数据源的总泛滥评分，可以有效地对存在数据泛滥的数据源进行识别，且效果有效、可信、公平，对维护互联网生态平衡有显著价值。
图3是根据本公开实施例的泛滥数据识别方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图3所示，该方法具体包括如下：
S301、根据互联网数据中每个页面的URL，获取互联网数据的数据源结构图，其中，所述数据源结构图至少包括互联网数据中各页面所属的站点，以及各站点所属的数据源。
其中，所述数据源包括按如下粒度确定的数据源：主域、账号、公司或平台等任意的数据生产者。具体采用哪一个粒度作为数据源，可以根据实际需要进行配置。当然，也可以同时对多种粒度的数据源进行统计计算，实现从不同角度进行泛滥数据的分析，提高对泛滥数据源的识别效果和准确性。
S302、根据各数据源下站点的数量以及各站点下页面的数量，计算站点页面均值、站点页面最大值和站点页面最小值；根据站点页面均值、站点页面最大值、站点页面最小值以及各站点下页面的数量，利用归一算法计算各站点的泛滥评分。
其中，站点页面均值、站点页面最大值和站点页面最小值是统计得到的结果，也即，各站点中页面数量最大的即为站点页面最大值，各站点中页面数量最小的即为站点页面最小值，而各站点下页面的总数与站点数量的比值，即为站点页面均值。
进一步的，根据站点页面均值、站点页面最大值、站点页面最小值以及各站点下页面的数量，利用归一算法计算各站点的泛滥评分，例如可以通过如下公式实现：
flood_site_value＝|(value-site_avg_url)/(site_max_url-site_min_url)|
其中，flood_site_value表示站点的泛滥评分，value表示当前站点下的页面数量，site_avg_url、site_max_url和site_min_url分别表示站点页面均值、站点页面最大值和站点页面最小值。
如上可知，站点页面均值、站点页面最大值、站点页面最小值以及各站点下页面的数量可以用来衡量各站点下的数据规模，然后，利用归一算法计算出各站点的泛滥评分，使得在不同的站点之间，数据具有一定的可比性，通过泛滥评分即可确定出相对而言各站点粒度的数据泛滥情况。
S303、根据数据源的数量以及各数据源下站点的数量，计算数据源站点均值、数据源站点最大值和数据源站点最小值；根据数据源站点均值、数据源站点最大值、数据源站点最小值以及各数据源下站点的数量，利用归一算法计算各数据源的泛滥评分。
其中，数据源站点均值、数据源站点最大值和数据源站点最小值是统计得到的结果，也即，各数据源中站点数量最大的即为数据源站点最大值，各数据源中站点数量最小的即为数据源站点最小值，而各数据源下站点的总数与数据源数量的比值，即为数据源站点均值。
进一步的，根据数据源站点均值、数据源站点最大值、数据源站点最小值以及各数据源下站点的数量，利用归一算法计算各数据源的泛滥评分，例如可以通过如下公式实现：
flood_domain_value＝|(value’-domain_avg_site)/(domain_max_site-domain_min_site)|
其中，flood_domain_value表示数据源的泛滥评分，value’表示当前数据源下的站点数量，domain_avg_site、domain_max_site和domain_min_site分别表示数据源站点均值、数据源站点最大值和数据源站点最小值。
如上可知，数据源站点均值、数据源站点最大值、数据源站点最小值以及各数据源下站点的数量可以用来衡量各数据源下的数据规模，然后，利用归一算法计算出各数据源的泛滥评分，使得在不同的数据源之间，数据具有一定的可比性，通过泛滥评分即可确定出相对而言各数据源粒度的数据泛滥情况。
此外，上述各数据源和站点的泛滥评分的计算公式仅为示例，本领域技术人员可以基于归一算法和实际情况，对上述公式进行适当地修改，本公开对此不作任何限定。
S304、计算各数据源下各站点的泛滥评分的和值；根据各数据源对应的所述和值，以及各数据源的泛滥评分，计算各数据源的总泛滥评分。
从页面到数据源反向溯源，确定出数据源的总泛滥评分。具体而言，先计算各数据源下各站点的泛滥评分的和值，然后根据各数据源对应的所述和值，以及各数据源的泛滥评分，计算各数据源的总泛滥评分。最后得到的总泛滥评分可以表示数据源下的站点以及各站点下的页面整体的数据规模，且不同站点和数据源之间也具有一定的可比性，因此，通过总泛滥评分，即可确定出各个数据源是否存在数据泛滥的情况。且对多种粒度的数据源进行统计计算的情况下，还可以将每种粒度数据源的总泛滥评分进行求和等融合处理，从而从整体的角度对互联网数据的泛滥情况进行分析，效果则更加全面、准确。
示例性的，可以通过如下公式来计算各数据源的总泛滥评分：
domain_flood_score＝sigmoid(w_site*log(∑flood_site_value)+w_domain*flood_domain_value)
其中，domain_flood_score表示各数据源的总泛滥评分，flood_site_value和flood_domain_value分别表示上述计算出来的站点和数据源的泛滥评分，∑flood_site_value表示同一个数据源下各站点的泛滥评分的累加和，w_site和w_domain分别表示站点参数权重和数据源参数权重，且站点参数权重和数据源参数权重可以根据实际情况进行配置和调整，本公开对此不做任何限定。
需要说明的是，上述各数据源的总泛滥评分的计算公式仅为示例，本领域技术人员可以基于归一算法和实际情况，对上述公式进行适当地修改。例如，简化为仅将各数据源对应的所述和值以及各数据源的泛滥评分进行加权求和，或者采用其他函数来替代sigmoid函数进行计算等，本公开对此不作任何限定。
当搜索引擎在互联网数据中收录页面时，就可以根据数据源的总泛滥评分判断该页面所属的数据源是否为泛滥数据源，如果是泛滥数据源，就可以以整个数据源为粒度，按照一定的限制配额等规则对页面进行收录。此外，还可以对识别出的泛滥数据源下多余的链接进行打压处理，从而解决生产者作弊的问题，避免收录垃圾数据，维护互联网生态。
本公开实施例的技术方案，通过对互联网数据进行反向溯源，从URL到数据源头进行统计分析，根据数据源粒度下的数据规模计算出数据源的总泛滥评分，可以有效地对存在数据泛滥的数据源进行识别，且效果有效、可信、公平，对维护互联网生态平衡有显著价值。
图4是根据本公开实施例的泛滥数据识别装置的结构示意图，本实施例可适用于在搜索引擎收录互联网数据之前，对是否存在数据泛滥的现象进行识别的情况，涉及互联网领域，尤其涉及大数据和智能搜索技术。该装置可实现本公开任意实施例所述的泛滥数据识别方法。如图4所示，该装置400具体包括：
数据源结构图获取模块401，用于根据互联网数据中每个页面的URL，获取所述互联网数据的数据源结构图，其中，所述数据源结构图至少包括所述互联网数据中各页面所属的站点，以及各站点所属的数据源；
第一计算模块402，用于根据所述数据源结构图中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分；
第二计算模块403，用于根据所述各站点的泛滥评分和各数据源的泛滥评分，分别计算所述各数据源的总泛滥评分，其中，所述总泛滥评分用于确定数据源是否存在数据泛滥。
可选的，所述数据源至少包括按如下粒度确定的数据源：主域、账号、公司或平台。
可选的，所述第一计算模块402包括：
第一计算单元，用于根据所述各数据源下站点的数量以及各站点下页面的数量，计算站点页面均值、站点页面最大值和站点页面最小值；根据所述站点页面均值、站点页面最大值、站点页面最小值以及所述各站点下页面的数量，利用归一算法计算所述各站点的泛滥评分。
可选的，所述第一计算模块402包括：
第二计算单元，用于根据所述数据源的数量以及各数据源下站点的数量，计算数据源站点均值、数据源站点最大值和数据源站点最小值；根据所述数据源站点均值、数据源站点最大值、数据源站点最小值以及所述各数据源下站点的数量，利用归一算法计算所述各数据源的泛滥评分。
可选的，所述第二计算模块403具体用于：
计算所述各数据源下各站点的泛滥评分的和值；
根据所述各数据源对应的所述和值，以及所述各数据源的泛滥评分，计算所述各数据源的总泛滥评分。
上述产品可执行本公开任意实施例所提供的泛滥数据识别方法，具备执行方法相应的功能模块和有益效果。
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如泛滥数据识别方法。例如，在一些实施例中，泛滥数据识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的泛滥数据识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行泛滥数据识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (13)
1.一种泛滥数据识别方法，包括：
根据互联网数据中每个页面的URL，获取所述互联网数据的数据源结构图，其中，所述数据源结构图至少包括所述互联网数据中各页面所属的站点，以及各站点所属的数据源；
根据所述数据源结构图中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分；
根据所述各站点的泛滥评分和各数据源的泛滥评分，分别计算所述各数据源的总泛滥评分，其中，所述总泛滥评分用于确定数据源是否存在数据泛滥。
2.根据权利要求1所述的方法，其中，所述数据源至少包括按如下粒度确定的数据源：主域、账号、公司或平台。
3.根据权利要求1所述的方法，其中，所述根据所述数据源结构图中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分，包括：
根据所述各数据源下站点的数量以及各站点下页面的数量，计算站点页面均值、站点页面最大值和站点页面最小值；
根据所述站点页面均值、站点页面最大值、站点页面最小值以及所述各站点下页面的数量，利用归一算法计算所述各站点的泛滥评分。
4.根据权利要求1所述的方法，其中，所述根据所述数据源结构图中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分，包括：
根据所述数据源的数量以及各数据源下站点的数量，计算数据源站点均值、数据源站点最大值和数据源站点最小值；
根据所述数据源站点均值、数据源站点最大值、数据源站点最小值以及所述各数据源下站点的数量，利用归一算法计算所述各数据源的泛滥评分。
5.根据权利要求1所述的方法，其中，所述根据所述各站点的泛滥评分和各数据源的泛滥评分，分别计算所述各数据源的总泛滥评分，包括：
计算所述各数据源下各站点的泛滥评分的和值；
根据所述各数据源对应的所述和值，以及所述各数据源的泛滥评分，计算所述各数据源的总泛滥评分。
6.一种泛滥数据识别装置，包括：
数据源结构图获取模块，用于根据互联网数据中每个页面的URL，获取所述互联网数据的数据源结构图，其中，所述数据源结构图至少包括所述互联网数据中各页面所属的站点，以及各站点所属的数据源；
第一计算模块，用于根据所述数据源结构图中数据源的数量、各数据源下站点的数量以及各站点下页面的数量，利用归一算法分别计算各站点的泛滥评分和各数据源的泛滥评分；
第二计算模块，用于根据所述各站点的泛滥评分和各数据源的泛滥评分，分别计算所述各数据源的总泛滥评分，其中，所述总泛滥评分用于确定数据源是否存在数据泛滥。
7.根据权利要求6所述的装置，其中，所述数据源至少包括按如下粒度确定的数据源：主域、账号、公司或平台。
8.根据权利要求6所述的装置，其中，所述第一计算模块包括：
第一计算单元，用于根据所述各数据源下站点的数量以及各站点下页面的数量，计算站点页面均值、站点页面最大值和站点页面最小值；根据所述站点页面均值、站点页面最大值、站点页面最小值以及所述各站点下页面的数量，利用归一算法计算所述各站点的泛滥评分。
9.根据权利要求6所述的装置，其中，所述第一计算模块包括：
第二计算单元，用于根据所述数据源的数量以及各数据源下站点的数量，计算数据源站点均值、数据源站点最大值和数据源站点最小值；根据所述数据源站点均值、数据源站点最大值、数据源站点最小值以及所述各数据源下站点的数量，利用归一算法计算所述各数据源的泛滥评分。
10.根据权利要求6所述的装置，其中，所述第二计算模块具体用于：
计算所述各数据源下各站点的泛滥评分的和值；
根据所述各数据源对应的所述和值，以及所述各数据源的泛滥评分，计算所述各数据源的总泛滥评分。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的泛滥数据识别方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的泛滥数据识别方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的泛滥数据识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110614008.7A CN113360798B (zh) | 2021-06-02 | 2021-06-02 | 泛滥数据识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110614008.7A CN113360798B (zh) | 2021-06-02 | 2021-06-02 | 泛滥数据识别方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113360798A true CN113360798A (zh) | 2021-09-07 |
| CN113360798B CN113360798B (zh) | 2024-02-27 |
Family
ID=77531312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110614008.7A Active CN113360798B (zh) | 2021-06-02 | 2021-06-02 | 泛滥数据识别方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113360798B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6606659B1 (en) * | 2000-01-28 | 2003-08-12 | Websense, Inc. | System and method for controlling access to internet sites |
| CN101051313A (zh) * | 2007-05-09 | 2007-10-10 | 崔志明 | 用于深层网页数据源集成的数据源发现方法 |
| CN103116660A (zh) * | 2013-03-15 | 2013-05-22 | 人民搜索网络股份公司 | 网站权威值的获取方法及装置 |
| CN104410978A (zh) * | 2014-11-14 | 2015-03-11 | 中国联合网络通信集团有限公司 | 站点规划评估方法及装置 |
| US9002832B1 (en) * | 2012-06-04 | 2015-04-07 | Google Inc. | Classifying sites as low quality sites |
| CN104956380A (zh) * | 2012-11-16 | 2015-09-30 | Medidata解决方案公司 | 用于远程站点监控的方法和装置 |
| WO2015149550A1 (zh) * | 2014-03-31 | 2015-10-08 | 北京奇虎科技有限公司 | 确定网站内链接等级的方法及装置 |
| CN109132276A (zh) * | 2018-09-11 | 2019-01-04 | 刘秀美 | 一种基于互联网的垃圾分类回收管理方法、装置及系统 |
-
2021
- 2021-06-02 CN CN202110614008.7A patent/CN113360798B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6606659B1 (en) * | 2000-01-28 | 2003-08-12 | Websense, Inc. | System and method for controlling access to internet sites |
| CN101051313A (zh) * | 2007-05-09 | 2007-10-10 | 崔志明 | 用于深层网页数据源集成的数据源发现方法 |
| US9002832B1 (en) * | 2012-06-04 | 2015-04-07 | Google Inc. | Classifying sites as low quality sites |
| CN104956380A (zh) * | 2012-11-16 | 2015-09-30 | Medidata解决方案公司 | 用于远程站点监控的方法和装置 |
| CN103116660A (zh) * | 2013-03-15 | 2013-05-22 | 人民搜索网络股份公司 | 网站权威值的获取方法及装置 |
| WO2015149550A1 (zh) * | 2014-03-31 | 2015-10-08 | 北京奇虎科技有限公司 | 确定网站内链接等级的方法及装置 |
| CN104410978A (zh) * | 2014-11-14 | 2015-03-11 | 中国联合网络通信集团有限公司 | 站点规划评估方法及装置 |
| CN109132276A (zh) * | 2018-09-11 | 2019-01-04 | 刘秀美 | 一种基于互联网的垃圾分类回收管理方法、装置及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李佳: "移动互联网恶意程序的泛滥和有效应对", 中国信息安全, no. 008 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113360798B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220284246A1 (en) | Method for training cross-modal retrieval model, electronic device and storage medium | |
| CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
| CN114282670A (zh) | 神经网络模型的压缩方法、设备和存储介质 | |
| CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
| CN114449343A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
| CN115102836A (zh) | 网络设备故障分析方法、装置及存储介质 | |
| CN113127365A (zh) | 确定网页质量的方法、装置、电子设备和计算机可读存储介质 | |
| CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
| CN115603955B (zh) | 异常访问对象识别方法、装置、设备和介质 | |
| CN113360798B (zh) | 泛滥数据识别方法、装置、设备和介质 | |
| CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
| CN114443738A (zh) | 异常数据挖掘方法、装置、设备及介质 | |
| CN113553407B (zh) | 事件追溯方法、装置、电子设备及存储介质 | |
| CN113344621B (zh) | 异常账户的确定方法、装置和电子设备 | |
| CN113591095B (zh) | 一种标识信息处理方法、装置及电子设备 | |
| CN113434790B (zh) | 重复链接的识别方法、装置及电子设备 | |
| US20230195839A1 (en) | One-stage object detecting model training method, electrical device and storage medium | |
| US20230145408A1 (en) | Method of processing feature information, electronic device, and storage medium | |
| CN113867634B (zh) | 数据读取方法、装置、电子设备及存储介质 | |
| US20230049458A1 (en) | Method of generating pre-training model, electronic device, and storage medium | |
| CN113342990A (zh) | 知识图谱的构建方法和装置 | |
| CN113221034A (zh) | 数据泛化方法、装置、电子设备和存储介质 | |
| CN113869406A (zh) | 噪声样本的识别方法、装置、电子设备以及存储介质 | |
| CN115865409A (zh) | 一种代码风险检测方法、装置、设备及介质 | |
| CN114881163A (zh) | 一种特征编码方法、装置、设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |