CN113641933A - 异常网页识别方法、异常站点识别方法及装置 - Google Patents

异常网页识别方法、异常站点识别方法及装置 Download PDF

Info

Publication number
CN113641933A
CN113641933A CN202110736346.8A CN202110736346A CN113641933A CN 113641933 A CN113641933 A CN 113641933A CN 202110736346 A CN202110736346 A CN 202110736346A CN 113641933 A CN113641933 A CN 113641933A
Authority
CN
China
Prior art keywords
webpage
identified
abnormal
information
paragraph
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
Application number
CN202110736346.8A
Other languages
English (en)
Other versions
CN113641933B (zh
Inventor
刘伟
余文利
张博
林赛群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110736346.8A priority Critical patent/CN113641933B/zh
Publication of CN113641933A publication Critical patent/CN113641933A/zh
Application granted granted Critical
Publication of CN113641933B publication Critical patent/CN113641933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本公开提供了一种异常网页识别方法、异常站点识别方法及装置，涉及互联网技术领域，尤其涉及智能搜索、智能推荐技术。实现方案为：从待识别网页的页面结构信息中提取页面结构特征；从待识别网页的文本内容信息中提取文本语义特征；根据页面结构特征和文本语义特征，确定待识别网页的异常程度；以及响应于确定异常程度大于第一阈值，判断待识别网页为异常网页。利用本公开提供的方法，能够准确识别出异常网页，进而能够在搜索和推荐场景中避免将异常网页作为搜索结果和推荐结果展示给用户，提高向用户提供的信息的质量。

Description

异常网页识别方法、异常站点识别方法及装置
技术领域
本公开涉及互联网技术领域，尤其涉及智能搜索、智能推荐技术，具体涉及一种异常网页识别方法及装置、异常站点识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
用户习惯于通过互联网来获取信息，互联网中的信息通过网页的形式呈现给用户。在一些情况中，用户可以在互联网中进行搜索以获得其感兴趣的信息。在另一些情况中，为了便于用户获取信息，可以采用推荐系统来从海量信息中筛选出用户可能感兴趣的信息，并将其推送给用户。通常地，用户期望从网页中获取高质量的信息。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种异常网页识别方法及装置、异常站点识别方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种异常网页识别方法，包括：从待识别网页的页面结构信息中提取页面结构特征；从待识别网页的文本内容信息中提取文本语义特征；根据页面结构特征和文本语义特征，确定待识别网页的异常程度；以及响应于确定异常程度大于第一阈值，判断待识别网页为异常网页。
根据本公开的另一方面，提供了一种异常站点识别方法，包括：根据上述异常网页识别方法，判断待识别站点中的多个网页是否为异常网页；响应于确定上述多个网页中的异常网页所占的比例大于第二阈值，判断待识别站点为异常站点。
根据本公开的另一方面，提供了一种异常网页识别装置，包括：结构特征提取模块，被配置为从待识别网页的页面结构信息中提取页面结构特征；语义特征提取模块，被配置为从待识别网页的文本内容信息中提取文本语义特征；识别模块，被配置为根据页面结构特征和文本语义特征，确定待识别网页的异常程度；以及判断模块，被配置为响应于确定异常程度大于第一阈值，判断待识别网页为异常网页。
根据本公开的另一方面，提供了一种异常站点识别装置，包括：第一识别模块，被配置为根据上述异常网页识别方法，判断待识别站点中的多个网页是否为异常网页；以及第二识别模块，被配置为响应于确定上述多个网页中的异常网页所占的比例大于第二阈值，判断待识别站点为异常站点。
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。该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上述异常网页识别方法和/或异常站点识别方法。
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。该计算机指令用于使计算机执行上述异常网页识别方法和/或异常站点识别方法。
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。该计算机程序在被处理器执行时实现上述异常网页识别方法和/或异常站点识别方法。
根据本公开的一个或多个实施例，所提取的页面结构特征和文本语义特征能够表达待识别网页在页面排版和语言表达方面的特性。根据页面结构特征和文本语义特征来确定待识别网页的异常程度，并根据异常程度来判断待识别网页是否为异常网页，实现了异常网页的准确、高效识别。基于识别出的异常网页，进而能够在搜索和推荐场景中避免将异常网页作为搜索结果和推荐结果展示给用户，提高向用户提供的信息的质量。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开实施例的异常网页识别方法的流程图；
图3A、3B示出了根据本公开实施例的示例性待识别网页的示意图；
图4示出了根据本公开实施例的示例性识别模型的结构图；
图5示出了根据本公开实施例的异常站点识别方法的流程图；
图6示出了根据本公开实施例的异常网页识别装置的结构框图；
图7示出了根据本公开实施例的异常站点识别装置的结构框图；以及
图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开实施例的可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行异常网页识别方法和/或异常站点识别方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来浏览网页。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量、任何类型的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLEiOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、Wi-Fi)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
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。
为了本公开实施例的目的，在图1的示例中，客户端设备101、102、103、104、105和106中可以包括用于浏览网页的客户端应用，该客户端应用例如可以是浏览器，或者是包含WebView网页视图控件的应用等。
与客户端设备中的用于进行网页浏览的客户端应用相应地，服务器120可以是该客户端应用对应的服务器。服务器120中可以包括服务程序，该服务程序可以基于数据库130中已存储的网页资源(包括HTML文件、图片、音频、视频等)，向用户提供网页浏览服务。例如，用户可以在客户端应用中发起搜索请求，以搜索包含特定信息的网页(通常地，用户可以在客户端应用中输入搜索词，以搜索包含该搜索词的网页)。相应地，服务器120响应于该搜索请求进行网页搜索，得到包含用户期望搜索的特定信息的网页，并将这些网页返回给客户端应用以呈现给用户。
在一些情况中，服务程序中包括推荐系统，推荐系统能够向用户提供个性化推荐服务，根据用户的相关信息(例如属性信息、行为信息等)，从已存储的多个网页中确定包含用户可能感兴趣的信息的网页(即推荐网页)，并将所确定的多个推荐网页的部分或全部呈现给用户。与此相应地，用户可以通过客户端应用来浏览推荐系统向其推荐的网页。
通常地，用户期望其浏览的网页(用户浏览的网页例如可以是通过搜索得到的，或者是由推荐系统向其推荐的)为高质量的网页，即网页中包含高质量的数据，例如包含原创的数据。然而在一些情况中，用户所浏览的网页并不都是高质量的。存在一些低质量的网页，这些网页中的数据并非原创，而是剽窃自其他网页，即，这些网页是通过恶意采集其他网页中的数据而生成的。将这些低质量的网页呈现给用户，不仅损害了数据创作者的权益，也降低了用户获取信息的效率，损害了用户体验。
为了便于描述，下文中，将通过采集其他网页中的数据而生成的网页称为“异常网页”。
为了避免将异常网页呈现给用户，本公开的实施例提供一种异常网页识别方法，能够准确、高效地识别出异常网页。进一步地，基于异常网页识别方法，本公开的实施例还提供一种异常站点识别方法，能够识别出大量生产异常网页的异常站点，即定位异常网页的生产源头。进一步地，可以对异常站点下的网页进行展现打压(例如将异常站点下的网页少呈现或不呈现给用户)，从而避免用户浏览异常网页，提高用户获取信息的效率，以及提高用户体验。
图2示出了根据本公开实施例的异常网页识别方法200的流程图。方法200可以在服务器(例如图1中所示的服务器120)处执行，也即，方法200的各个步骤的执行主体可以是图1中所示的服务器120。
如图2所示，方法200包括：
步骤210、从待识别网页的页面结构信息中提取页面结构特征；
步骤220、从待识别网页的文本内容信息中提取文本语义特征；
步骤230、根据页面结构特征和文本语义特征，确定待识别网页的异常程度；以及
步骤240、响应于确定异常程度大于第一阈值，判断待识别网页为异常网页。
通过恶意采集其他网页的数据而生成的网页通常页面排版较乱，语言表达的逻辑性、顺畅度较差。根据本公开的实施例，所提取的页面结构特征和文本语义特征能够表达待识别网页在页面排版和语言表达方面的特性。根据页面结构特征和文本语义特征来确定待识别网页的异常程度，并根据异常程度来判断待识别网页是否为异常网页，能够实现异常网页的准确、高效识别。基于识别出的异常网页，进而能够在搜索和推荐场景中避免将异常网页作为搜索结果和推荐结果展示给用户，提高向用户提供的信息的质量。
以下详细描述方法200的各个步骤。
在步骤210中，从待识别网页的页面结构信息中提取页面结构特征。页面结构信息例如可以通过待识别网页的DOM(Document Object Model，文档对象模型)来获取。
根据一些实施例，页面结构信息包括待识别网页中的元素的坐标信息，并且相应地，步骤210包括：根据坐标信息，确定待识别网页的页面留白信息，留白信息包括段落缩进、段落间距、元素对齐方式中的至少一种；以及根据页面留白信息，确定页面结构特征。
待识别网页中的元素包括标题元素(通过标签<h1>-<h6>定义)、段落元素(通过标签<p>定义)、图像元素(通过标签<img>定义)、链接元素(通过标签<a>定义)等。待识别网页中的各元素的坐标信息例如可以通过待识别网页的DOM获取。
图3A示出了根据本公开实施例的示例性待识别网页300的示意图。如图3A所示，待识别网页300包括标题元素302、304、308，段落元素306、312、314、318、320、322，图像元素310、316，等。
元素的坐标信息指示了元素在待识别网页中的位置。待识别网页中未被元素占据的位置区域为待识别网页中的留白区域，即，待识别网页中的留白区域可以通过将待识别网页的整体区域与各元素所占据的位置区域作差而得到。进一步地，待识别网页的页面留白信息可以通过留白区域的坐标来确定。根据一些实施例，页面留白信息包括段落缩进、段落间距、元素对齐方式中的至少一种。
页面结构特征可以根据页面留白信息来确定。例如，页面结构特征可以是各项页面留白信息对应的编码(例如one-hot编码，或者其他形式的编码)；或者，页面结构特征也可以是对文本形式的页面留白信息进行词嵌入(word embedding)而得到的向量。
由于异常网页通常排版较乱，页面留白区域不规则，段落缩进、段落间距、元素对齐方式不统一。基于上述实施例，根据页面留白信息来确定页面结构特征，并在后续步骤230、240中基于页面结构特征来识别异常网页，能够提高异常网页识别的准确性。
例如，仍参考图3A，在待识别网页300中，段落306与段落312的缩进方式不同，段落318和段落320之间的间距与段落320和段落322之间的间距不同，图像元素310与图像元素316的对齐方式不统一，即待识别网页300的段落缩进、段落间距、元素对齐方式不统一。相应地，在后续步骤230、240中，待识别网页300将很可能被确定为异常网页。
根据一些实施例，页面结构信息还包括待识别网页的样式(style)信息，并且相应地，步骤210包括：通过匹配待识别网页的样式信息与同源网页的样式信息，确定待识别网页与同源网页的样式匹配度，其中，同源网页与待识别网页属于同一个站点；以及根据上述样式匹配度，确定页面结构特征。根据一些实施例，样式信息包括以下至少一种：字体样式、字体大小、字体颜色、背景图像、背景颜色。
由于异常网页对应的站点通常也是恶劣的数据源(即异常站点)，该数据源下通常存在较多的异常网页，各异常网页的样式风格不统一。正常站点下的网页通常呈现为统一的样式风格。基于上述实施例，根据待识别网页与同源页面的样式匹配度(样式匹配度能够表示二者的样式是否统一)来确定页面结构特征，并在后续步骤230、240中根据页面结构特征来识别异常网页，能够提高异常网页识别的准确性。
根据一些实施例，待识别网页与同源网页的样式匹配度例如可以是二者一致的样式信息的数量与参与匹配的样式信息的总数量的比值。
页面结构特征可以根据上述样式匹配度来确定。例如，页面结构特征可以是样式匹配度数值本身，也可以是样式匹配度所在的数值区间对应的编码(例如one-hot编码，或者其他形式的编码)等。
根据一些实施例，页面结构特征可以仅根据上述页面留白信息来确定，或者仅根据上述样式匹配度来确定，或者根据页面留白信息和样式匹配度联合确定。在页面结构特征根据页面留白信息和样式匹配度联合确定的情况下，可以先将页面留白信息和样式匹配度进行拼接，然后将拼接后的数据转化为数值形式的向量，作为页面结构特征。
在步骤220中，从待识别网页的文本内容信息中提取文本语义特征。
根据一些实施例，文本语义特征包括段落相关性特征，并且相应地，步骤220包括：对待识别网页中的文本进行分段，得到一个或多个段落；分别确定上述一个或多个段落中的每一个段落的段落语义向量，段落语义向量为相应段落所包括的各个词的词向量的拼接；以及将一个段落的段落语义向量或多个段落的段落语义向量的拼接确定为段落相关性特征。
具体地，在对待识别网页中的文本进行分段，仅得到一个段落的情况下，将该段落的段落语义向量确定为段落相关性特征；在对待识别网页中的文本进行分段，得到多个段落的情况下，将该多个段落各自的段落语义向量进行拼接，得到段落相关性特征。
根据一些实施例，可以根据待识别网页的页面留白信息或换行元素(通过标签<br>来定义)来对待识别网页中的文本进行分段。
异常网页的各段落之间的相关性通常较差。根据上述实施例，通过提取段落相关性特征，并在后续步骤230、240中根据段落相关性特征来识别异常网页，能够提高异常网页识别的准确性。
例如，仍参考图3，在待识别网页300中，段落312与段落314的文本内容的相关性较低。相应地，在后续步骤230、240中，待识别网页300将很可能被确定为异常网页。
根据一些实施例，文本语义特征包括语句顺畅度特征，并且相应地，步骤220包括：获取待识别网页中的一个或多个语句；分别确定上述一个或多个语句中的每一个语句的语句语义向量，语句语义向量为相应语句所包括的各个词的词向量的拼接；以及将一个语句的语句语义向量或多个语句的语句语义向量的拼接确定为语句顺畅度特征。
具体地，在仅获取到待识别网页中的一个语句的情况下，将该语句的语句语义向量确定为语句顺畅度特征；在获取到待识别网页中的多个语句的情况下，将该多个语句各自的语句语义向量进行拼接，得到语句顺畅度特征。
根据一些实施例，获取待识别网页中的一个或多个语句可以包括：对待识别网页中的多个语句进行抽样，得到上述一个或多个语句。通过对待识别网页中的语句进行抽样，能够避免提取语句顺畅度特征的计算量过大，从而提高异常网页识别效率。
异常网页由于通过恶意采集其他网页的数据而生成，因此其语句通常不通顺，逻辑性较差。基于上述实施例，通过提取语句顺畅度特征，并在后续步骤230、240中根据语句顺畅度特征来识别异常网页，能够提高异常网页识别的准确性。
例如，参考图3B，以待识别网页300中的段落314为例，可以对段落314中的语句进行抽样，得到语句324、326、328、330和332。并且，如图3B所示，语句324-332的通顺度和逻辑性较差。相应地，在后续步骤230、240中，待识别网页300将很可能被确定为异常网页。
根据一些实施例，文本语义特征包括关键词复现特征，并且相应地，步骤220包括：对待识别网页的标题进行分词，得到至少一个目标词；从上述至少一个目标词中确定一个或多个关键词，其中，关键词在待识别网页的正文中出现的次数大于一预设值，例如，1；以及将一个关键词的词向量或多个关键词的词向量的拼接确定为关键词复现特征。
具体地，在从至少一个目标词中仅确定一个关键词的情况下，将该关键词的词向量确定为关键词复现特征；在从至少一个目标词中确定了多个关键词的情况下，将该多个关键词各自的词向量进行拼接，得到关键词复现特征。
异常网页通常存在标题关键词在正文中反复出现的现象。通过提取关键词复现特征，并在后续步骤230、240中根据关键词复现特征来识别异常网页，能够提高异常网页识别的准确性。
例如，仍参考图3A，标题302在待识别网页300的正文中反复出现了多次，标题302在网页正文中的复现包括标题304、标题308、图像310、图像316。相应地，在后续步骤230、240中，待识别网页300将很可能被确定为异常网页。
在步骤230中，根据通过步骤210提取出的页面结构特征和通过步骤220提取出的文本语义特征，确定待识别网页的异常程度。
根据一些实施例，可以将页面结构特征和文本语义特征输入预设的识别模型，并获得识别模型输出的待识别网页的异常程度。
如上文所述，文本语义特征包括段落相关性特征、语句顺畅度特征和关键词复现特征。根据一些实施例，可以将段落相关性特征、语句顺畅度特征、关键词复现特征中的至少之一输入识别模型。优选地，将段落相关性特征、语句顺畅度特征、关键词复现特征三者均输入识别模型，使得识别模型在计算待识别网页的异常程度时可以参考待识别网页的更多方面的信息，从而提高异常网页识别的准确性。
根据一些实施例，识别模型为根据已标注了异常性标签的网页训练得出。例如，可以将异常网页的异常性标签标记为1，将正常网页的异常性标签标记为0。训练好的识别模型能够输出网页的异常程度，即输出网页为异常网页的概率。
图4示出了根据本公开一个实施例的识别模型400的结构图。模型400为神经网络模型。如图4所示，模型400包括依次相连的全连接(Fully Connected，FC)层402、卷积层404、池化层406和分类输出层408。具体地，卷积层404例如可以包括一个或多个卷积层Conv以及激活层(例如可以使用ReLU激活函数)；池化层406例如可以是最大池化层MaxPooling(或者是平均池化层MeanPooling等)；分类输出层408例如可以包括一个或多个全连接层和Softmax层。全连接层402以从待识别网页中提取的页面结构特征、段落相关性特征、语句顺畅度特征、关键词复现特征为输入，经过全连接层402、卷积层404、池化层406和分类输出层408的处理，输出待识别网页的异常程度，即输出待识别网页为异常网页的概率。
可以理解，图4所示仅为识别模型的一个示例。本公开不限制识别模型的具体结构。
根据另一些实施例，可以预设页面结构特征对应的第一取值范围和文本语义特征对应的第二取值范围。如上文所述，文本语义特征包括段落相关性特征、语句顺畅度特征和关键词复现特征，相应地，第二取值范围可以包括段落相关性特征、语句顺畅度特征、关键词复现特征分别对应的取值范围。
基于预设的第一取值范围和第二取值范围，可以根据页面结构特征偏离第一取值范围的程度来确定第一异常程度，根据文本语义特征偏离第二取值范围的程度来确定第二异常程度，以及根据第一异常程度和第二异常程度来确定待识别网页的异常程度。例如，可以将第一异常程度和第二异常程度的加权和作为待识别网页的异常程度。
在步骤240中，响应于步骤230所确定的异常程度大于第一阈值，判断待识别网页为异常网页。第一阈值例如可以设置为0.5，或者其他数值。本公开对第一阈值的取值不作限制。
对于根据方法200所确定的异常网页，可以对其进行展示打压，即避免将异常网页作为搜索结果和推荐结果展示给用户，从而提高用户获取信息的质量和效率，提高用户体验。
基于上述异常网页识别方法200，本公开实施例还提供一种异常站点识别方法，能够识别出大量生产异常网页的异常站点。
图5示出了根据本公开实施例的用于异常站点识别方法500的流程图。方法500可以在服务器(例如图1中所示的服务器120)处执行，也即，方法500的各个步骤的执行主体可以是图1中所示的服务器120。
如图5所示，方法500包括：
步骤510、根据异常网页识别方法，判断待识别站点中的多个网页是否为异常网页；以及
步骤520、响应于确定上述多个网页中的异常网页所占的比例大于第二阈值，判断待识别站点为异常站点。
根据本公开的实施例，能够识别出大量生产异常网页的异常站点，即定位异常网页的生产源头。进一步地，基于识别出的异常站点，可以对异常站点下的网页进行展现打压(例如将异常站点下的网页少呈现或不呈现给用户)，从而避免用户浏览异常网页，提高用户获取信息的效率，以及提高用户体验。
第二阈值例如可以设置为0.5、0.6或其他数值，本公开对第二阈值的取值不作限制。
根据本公开的实施例，还提供一种异常网页识别装置。
图6示出了根据本公开的实施例的异常网页识别装置600的结构框图。如图6所示，装置600包括：
结构特征提取模块610，被配置为从待识别网页的页面结构信息中提取页面结构特征；
语义特征提取模块620，被配置为从待识别网页的文本内容信息中提取文本语义特征；
识别模块630，被配置为根据页面结构特征和文本语义特征，确定待识别网页的异常程度；以及
判断模块640，被配置为响应于确定异常程度大于第一阈值，判断待识别网页为异常网页。
根据本公开的实施例，所提取的页面结构特征和文本语义特征能够表达待识别网页在页面排版和语言表达方面的特性。根据页面结构特征和文本语义特征来确定待识别网页的异常程度，并根据异常程度来判断待识别网页是否为异常网页，能够实现异常网页的准确、高效识别。基于识别出的异常网页，进而能够在搜索和推荐场景中避免将异常网页作为搜索结果和推荐结果展示给用户，提高向用户提供的信息的质量。
根据一些实施例，所述页面结构信息包括所述待识别网页中的元素的坐标信息，并且所述结构特征提取模块包括：
第一信息确定单元，被配置为根据所述坐标信息，确定所述待识别网页的页面留白信息，所述留白信息包括段落缩进、段落间距、元素对齐方式中的至少一种；以及
结构特征提取单元，被配置为根据所述页面留白信息，确定所述页面结构特征。
根据一些实施例，所述页面结构信息包括所述待识别网页的样式信息，并且所述结构特征提取模块包括：
第二信息确定单元，被配置为通过匹配所述待识别网页的样式信息与同源网页的样式信息，确定所述待识别网页与所述同源网页的样式匹配度，其中，所述同源网页与所述待识别网页属于同一个站点；以及
结构特征提取单元，被配置为根据所述样式匹配度，确定所述页面结构特征。
根据一些实施例，所述文本语义特征包括段落相关性特征，并且所述语义特征提取模块包括：
分段单元，被配置为对所述待识别网页中的文本进行分段，得到一个或多个段落；
段落向量提取单元，被配置为分别确定所述一个或多个段落中的每一个段落的段落语义向量，所述段落语义向量为相应段落所包括的各个词的词向量的拼接；以及
段落向量拼接单元，被配置为将一个段落的段落语义向量或多个段落的段落语义向量的拼接确定为所述段落相关性特征。
根据一些实施例，所述文本语义特征包括语句顺畅度特征，并且所述语义特征提取模块包括：
语句获取单元，被配置为获取所述待识别网页中的一个或多个语句；
语句向量提取单元，被配置为分别确定所述一个或多个语句中的每一个语句的语句语义向量，所述语句语义向量为相应语句所包括的各个词的词向量的拼接；以及
语句向量拼接单元，被配置为将一个语句的语句语义向量或多个语句的语句语义向量的拼接确定为所述语句顺畅度特征。
根据一些实施例，所述语句获取单元进一步被配置为对所述待识别网页中的多个语句进行抽样，得到所述一个或多个语句。
根据一些实施例，所述文本语义特征包括关键词复现特征，并且所述语义特征提取模块包括：
分词单元，被配置为对所述待识别网页的标题进行分词，得到至少一个目标词；
关键词确定单元，被配置为从所述至少一个目标词中确定一个或多个关键词，其中，所述关键词在所述待识别网页的正文中出现的次数大于一预设值，例如，1；以及
词向量拼接单元，被配置为将一个关键词的词向量或多个关键词的词向量的拼接确定为所述关键词复现特征。
根据一些实施例，所述识别模块进一步被配置为：将所述页面结构特征和所述文本语义特征输入预设的识别模型，并获得所述识别模型输出的所述待识别网页的异常程度。
根据本公开的实施例，还提供一种异常站点识别装置。
图7示出了根据本公开实施例的异常站点识别装置700的结构框图。如图7所示，装置700包括：
第一识别模块710，被配置为根据上述异常网页识别方法，判断待识别站点中的多个网页是否为异常网页；以及
第二识别模块720，被配置为响应于确定上述多个网页中的异常网页所占的比例大于第二阈值，判断待识别站点为异常站点。
根据本公开的实施例，能够识别出大量生产异常网页的异常站点，即定位异常网页的生产源头。进一步地，基于识别出的异常站点，可以对异常站点下的网页进行展现打压(例如将异常站点下的网页少呈现或不呈现给用户)，从而避免用户浏览异常网页，提高用户获取信息的效率，以及提高用户体验。
应当理解，图6中所示的装置600的各个模块可以与参考图2描述的方法200中的各个步骤相对应，并且图7中所示的装置700的各个模块可以与参考图5描述的方法500中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置600及其包括的模块，上面针对方法500描述的操作、特征和优点同样适用于装置700及其包括的模块。为了简洁起见，某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。例如，上面描述的结构特征提取模块610和语义特征提取模块620在一些实施例中可以组合成单个模块。
还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图6、图7描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，结构特征提取模块610、语义特征提取模块620、识别模块630、判断模块640、第一识别模块710、第二识别模块720中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的实施例，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。
参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许设备800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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、Wi-Fi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元801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801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801执行上文所描述的各个方法和处理，例如上文描述的方法200和/或方法500。例如，在一些实施例中，方法200和/或方法500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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的方法200和/或方法500的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200和/或方法500。
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)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，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。
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、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本公开的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (20)

1.一种异常网页识别方法，包括：
从待识别网页的页面结构信息中提取页面结构特征；
从所述待识别网页的文本内容信息中提取文本语义特征；
根据所述页面结构特征和所述文本语义特征，确定所述待识别网页的异常程度；以及
响应于确定所述异常程度大于第一阈值，判断所述待识别网页为异常网页。
2.根据权利要求1所述的方法，其中，所述页面结构信息包括所述待识别网页中的元素的坐标信息，并且
其中，从待识别网页的页面结构信息中提取页面结构特征包括：
根据所述坐标信息，确定所述待识别网页的页面留白信息，所述留白信息包括段落缩进、段落间距、元素对齐方式中的至少一种；以及
根据所述页面留白信息，确定所述页面结构特征。
3.根据权利要求1或2所述的方法，其中，所述页面结构信息包括所述待识别网页的样式信息，并且
其中，从待识别网页的页面结构信息中提取页面结构特征包括：
通过匹配所述待识别网页的样式信息与同源网页的样式信息，确定所述待识别网页与所述同源网页的样式匹配度，其中，所述同源网页与所述待识别网页属于同一个站点；以及
根据所述样式匹配度，确定所述页面结构特征。
4.根据权利要求3所述的方法，其中，所述样式信息包括以下至少一种：字体样式、字体大小、字体颜色、背景图像、背景颜色。
5.根据权利要求1-4中任一项所述的方法，其中，所述文本语义特征包括段落相关性特征，并且
其中，从所述待识别网页的文本内容信息中提取文本语义特征包括：
对所述待识别网页中的文本进行分段，得到一个或多个段落；
分别确定所述一个或多个段落中的每一个段落的段落语义向量，所述段落语义向量为相应段落所包括的各个词的词向量的拼接；以及
将一个段落的段落语义向量或多个段落的段落语义向量的拼接确定为所述段落相关性特征。
6.根据权利要求1-5中任一项所述的方法，其中，所述文本语义特征包括语句顺畅度特征，并且
其中，从所述待识别网页的文本内容信息中提取文本语义特征包括：
获取所述待识别网页中的一个或多个语句；
分别确定所述一个或多个语句中的每一个语句的语句语义向量，所述语句语义向量为相应语句所包括的各个词的词向量的拼接；以及
将一个语句的语句语义向量或多个语句的语句语义向量的拼接确定为所述语句顺畅度特征。
7.根据权利要求6所述的方法，其中，获取所述待识别网页中的一个或多个语句包括：
对所述待识别网页中的多个语句进行抽样，得到所述一个或多个语句。
8.根据权利要求1-7中任一项所述的方法，其中，所述文本语义特征包括关键词复现特征，并且
其中，从所述待识别网页的文本内容信息中提取文本语义特征包括：
对所述待识别网页的标题进行分词，得到至少一个目标词；
从所述至少一个目标词中确定一个或多个关键词，其中，所述关键词在所述待识别网页的正文中出现的次数大于一预设值；以及
将一个关键词的词向量或多个关键词的词向量的拼接确定为所述关键词复现特征。
9.根据权利要求1-8中任一项所述的方法，其中，根据所述页面结构特征和所述文本语义特征，确定所述待识别网页的异常程度包括：
将所述页面结构特征和所述文本语义特征输入预设的识别模型，并获得所述识别模型输出的所述待识别网页的异常程度。
10.一种异常站点识别方法，包括：
根据权利要求1-9中任一项所述的方法，判断待识别站点中的多个网页是否为异常网页；
响应于确定所述多个网页中的异常网页所占的比例大于第二阈值，判断所述待识别站点为异常站点。
11.一种异常网页识别装置，包括：
结构特征提取模块，被配置为从待识别网页的页面结构信息中提取页面结构特征；
语义特征提取模块，被配置为从所述待识别网页的文本内容信息中提取文本语义特征；
识别模块，被配置为根据所述页面结构特征和所述文本语义特征，确定所述待识别网页的异常程度；以及
判断模块，被配置为响应于确定所述异常程度大于第一阈值，判断所述待识别网页为异常网页。
12.根据权利要求11所述的装置，其中，所述页面结构信息包括所述待识别网页中的元素的坐标信息，并且
其中，所述结构特征提取模块包括：
第一信息确定单元，被配置为根据所述坐标信息，确定所述待识别网页的页面留白信息，所述留白信息包括段落缩进、段落间距、元素对齐方式中的至少一种；以及
结构特征提取单元，被配置为根据所述页面留白信息，确定所述页面结构特征。
13.根据权利要求11或12所述的装置，其中，所述页面结构信息包括所述待识别网页的样式信息，并且
其中，所述结构特征提取模块包括：
第二信息确定单元，被配置为通过匹配所述待识别网页的样式信息与同源网页的样式信息，确定所述待识别网页与所述同源网页的样式匹配度，其中，所述同源网页与所述待识别网页属于同一个站点；以及
结构特征提取单元，被配置为根据所述样式匹配度，确定所述页面结构特征。
14.根据权利要求11-13中任一项所述的装置，其中，所述文本语义特征包括段落相关性特征，并且
其中，所述语义特征提取模块包括：
分段单元，被配置为对所述待识别网页中的文本进行分段，得到一个或多个段落；
段落向量提取单元，被配置为分别确定所述一个或多个段落中的每一个段落的段落语义向量，所述段落语义向量为相应段落所包括的各个词的词向量的拼接；以及
段落向量拼接单元，被配置为将一个段落的段落语义向量或多个段落的段落语义向量的拼接确定为所述段落相关性特征。
15.根据权利要求11-14中任一项所述的装置，其中，所述文本语义特征包括语句顺畅度特征，并且
其中，所述语义特征提取模块包括：
语句获取单元，被配置为获取所述待识别网页中的一个或多个语句；
语句向量提取单元，被配置为分别确定所述一个或多个语句中的每一个语句的语句语义向量，所述语句语义向量为相应语句所包括的各个词的词向量的拼接；以及
语句向量拼接单元，被配置为将一个语句的语句语义向量或多个语句的语句语义向量的拼接确定为所述语句顺畅度特征。
16.根据权利要求11-15中任一项所述的装置，其中，所述文本语义特征包括关键词复现特征，并且
其中，所述语义特征提取模块包括：
分词单元，被配置为对所述待识别网页的标题进行分词，得到至少一个目标词；
关键词确定单元，被配置为从所述至少一个目标词中确定一个或多个关键词，其中，所述关键词在所述待识别网页的正文中出现的次数大于一预设值；以及
词向量拼接单元，被配置为将一个关键词的词向量或多个关键词的词向量的拼接确定为所述关键词复现特征。
17.一种异常站点识别装置，包括：
第一识别模块，被配置为根据权利要求1-9中任一项所述的方法，判断待识别站点中的多个网页是否为异常网页；以及
第二识别模块，被配置为响应于确定所述多个网页中的异常网页所占的比例大于第二阈值，判断所述待识别站点为异常站点。
18.一种电子设备，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1-10中任一项所述的方法。
19.一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所述计算机执行根据权利要求1-10中任一项所述的方法。
20.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。
CN202110736346.8A 2021-06-30 2021-06-30 异常网页识别方法、异常站点识别方法及装置 Active CN113641933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110736346.8A CN113641933B (zh) 2021-06-30 2021-06-30 异常网页识别方法、异常站点识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110736346.8A CN113641933B (zh) 2021-06-30 2021-06-30 异常网页识别方法、异常站点识别方法及装置

Publications (2)

Publication Number Publication Date
CN113641933A true CN113641933A (zh) 2021-11-12
CN113641933B CN113641933B (zh) 2023-10-20

Family

ID=78416393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110736346.8A Active CN113641933B (zh) 2021-06-30 2021-06-30 异常网页识别方法、异常站点识别方法及装置

Country Status (1)

Country Link
CN (1) CN113641933B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101571860A (zh) * 2008-04-29 2009-11-04 国际商业机器公司 动态网页生成方法和装置、提取结构化数据的方法和装置
CN101777053A (zh) * 2009-01-08 2010-07-14 北京搜狗科技发展有限公司 一种识别作弊网页的方法及系统
CN102170446A (zh) * 2011-04-29 2011-08-31 南京邮电大学 一种基于空间布局与视觉特征的钓鱼网页检测方法
CN103023874A (zh) * 2012-11-21 2013-04-03 北京航空航天大学 一种钓鱼网站检测方法
CN104572787A (zh) * 2013-10-29 2015-04-29 腾讯科技（深圳）有限公司 伪原创网站的识别方法及装置
CN104615705A (zh) * 2015-01-30 2015-05-13 百度在线网络技术（北京）有限公司 网页质量检测方法及装置
WO2016173200A1 (zh) * 2015-04-30 2016-11-03 安一恒通（北京）科技有限公司 用于检测恶意网址的方法和系统
CN106802890A (zh) * 2015-11-25 2017-06-06 富士通株式会社 信息处理装置和方法以及信息定位装置
CN106844685A (zh) * 2017-01-26 2017-06-13 百度在线网络技术（北京）有限公司 用于识别网站的方法、装置及服务器
CN107180194A (zh) * 2017-05-11 2017-09-19 北京安赛创想科技有限公司 基于视觉分析系统进行漏洞检测的方法及装置
CN112541476A (zh) * 2020-12-24 2021-03-23 西安交通大学 一种基于语义特征提取的恶意网页识别方法
EP3825909A1 (en) * 2019-11-21 2021-05-26 Tata Consultancy Services Limited System and method for determination of label values in unstructured documents

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101571860A (zh) * 2008-04-29 2009-11-04 国际商业机器公司 动态网页生成方法和装置、提取结构化数据的方法和装置
CN101777053A (zh) * 2009-01-08 2010-07-14 北京搜狗科技发展有限公司 一种识别作弊网页的方法及系统
CN102170446A (zh) * 2011-04-29 2011-08-31 南京邮电大学 一种基于空间布局与视觉特征的钓鱼网页检测方法
CN103023874A (zh) * 2012-11-21 2013-04-03 北京航空航天大学 一种钓鱼网站检测方法
CN104572787A (zh) * 2013-10-29 2015-04-29 腾讯科技（深圳）有限公司 伪原创网站的识别方法及装置
CN104615705A (zh) * 2015-01-30 2015-05-13 百度在线网络技术（北京）有限公司 网页质量检测方法及装置
WO2016173200A1 (zh) * 2015-04-30 2016-11-03 安一恒通（北京）科技有限公司 用于检测恶意网址的方法和系统
CN106802890A (zh) * 2015-11-25 2017-06-06 富士通株式会社 信息处理装置和方法以及信息定位装置
CN106844685A (zh) * 2017-01-26 2017-06-13 百度在线网络技术（北京）有限公司 用于识别网站的方法、装置及服务器
CN107180194A (zh) * 2017-05-11 2017-09-19 北京安赛创想科技有限公司 基于视觉分析系统进行漏洞检测的方法及装置
EP3825909A1 (en) * 2019-11-21 2021-05-26 Tata Consultancy Services Limited System and method for determination of label values in unstructured documents
CN112541476A (zh) * 2020-12-24 2021-03-23 西安交通大学 一种基于语义特征提取的恶意网页识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YU Y 等: "Detecting Abnormal Semantic Web Data Using Semantic Dependency", IEEE INTERNATIONAL CONFERENCE ON SEMANTIC COMPUTING *
袁梁;林金芳;: "基于文档分层表示的恶意网页快速检测方法", 计算机系统应用, no. 12 *

Also Published As

Publication number Publication date
CN113641933B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN113836333A (zh) 图文匹配模型的训练方法、实现图文检索的方法、装置
CN114595686B (zh) 知识抽取方法、知识抽取模型的训练方法及装置
CN115422389B (zh) 处理文本图像的方法及装置、神经网络的训练方法
CN113656582A (zh) 神经网络模型的训练方法、图像检索方法、设备和介质
CN114443989B (zh) 排序方法、排序模型的训练方法、装置、电子设备及介质
JP2024509014A (ja) ソーティング方法、ソーティングモデルのトレーニング方法、装置、電子機器及び記憶媒体
CN116737928B (zh) 平台用户需求的文本挖掘方法、系统及云平台
CN114663902B (zh) 文档图像处理方法、装置、设备和介质
CN116152607A (zh) 目标检测方法、训练目标检测模型的方法及装置
CN115269989B (zh) 对象推荐方法、装置、电子设备和存储介质
CN114880498B (zh) 事件信息展示方法及装置、设备和介质
CN115759100A (zh) 数据处理方法、装置、设备及介质
CN114842476A (zh) 水印检测方法及装置、模型训练方法及装置
CN113641933B (zh) 异常网页识别方法、异常站点识别方法及装置
CN115130041A (zh) 网页质量评估方法、神经网络的训练方法、装置和设备
JP2023547299A (ja) オブジェクト推薦方法及び装置
CN114140852A (zh) 图像检测方法和装置
CN113221035A (zh) 用于确定异常网页的方法、装置、设备、介质和程序产品
CN113139093A (zh) 视频搜索方法及装置、计算机设备和介质
CN113609370B (zh) 数据处理方法、装置、电子设备及存储介质
CN114218516B (zh) 网页处理方法、装置、电子设备以及存储介质
CN115170536B (zh) 图像检测方法、模型的训练方法和装置
CN116311271B (zh) 文本图像的处理方法及装置
CN116028750B (zh) 网页文本审核方法及装置、电子设备和介质
CN116070711B (zh) 数据处理方法、装置、电子设备和存储介质

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