CN114638296B

CN114638296B - 网页分类方法及装置

Info

Publication number: CN114638296B
Application number: CN202210240747.9A
Authority: CN
Inventors: 罗奇帅; 王洪斌; 吴海英; 权佳成; 蒋宁
Original assignee: Mashang Consumer Finance Co Ltd
Current assignee: Mashang Consumer Finance Co Ltd
Filing date: 2022-03-10
Publication date: 2024-07-16
Anticipated expiration: 2042-03-10

Abstract

本申请公开了一种网页分类方法及装置，用以解决现有的网页分类方法的准确率较低的问题。所述方法包括：确定目标网页对应的待分析对象；确定所述待分析对象的第一特征信息；所述第一特征信息包括所述待分析对象中包含的多个关键特征因子之间的关联关系特征；根据所述第一特征信息，确定所述目标网页的目标综合特征信息；将所述目标综合特征信息输入预先训练的网页分类模型，根据网页分类模型的输出数据确定所述目标网页的网页类型；所述网页分类模型基于多个样本网页的样本综合特征信息和样本网页类型训练得到。该技术方案能够避免网页分类时所依据的特征信息不全面时导致网页分类结果不准确的情况，提升了网页分类的准确性。

Description

网页分类方法及装置

技术领域

本申请涉及人工智能技术领域，尤其涉及一种网页分类方法及装置。

背景技术

随着互联网技术的高速发展，互联网上网页的数量在不断增加，数据资源也在不断丰富，为各种数据密集型的应用提供了潜在的数据来源。然而，过大的信息量给人们处理数据信息带来了很多困难，传统的人工处理信息的方式显然已无法满足大量数据处理的要求。因此，如何对海量网页进行自动分类，是计算机领域亟待研究和探索的问题之一。

发明内容

本申请实施例的目的是提供一种网页分类方法及装置，用以解决现有的网页分类方法的准确率较低的问题。

为解决上述技术问题，本申请实施例是这样实现的：

一方面，本申请实施例提供一种网页分类方法，包括：

确定目标网页对应的待分析对象，所述待分析对象包括网页链接和/或网页标题；

确定所述待分析对象的第一特征信息，所述第一特征信息包括所述待分析对象中包含的多个关键特征因子之间的关联关系特征；

根据所述第一特征信息，确定所述目标网页的目标综合特征信息，所述目标综合特征信息包括所述关联关系特征；

将所述目标综合特征信息输入预先训练的网页分类模型，根据所述网页分类模型的输出数据确定所述目标网页的网页类型，所述网页分类模型基于多个样本网页的样本综合特征信息和样本网页类型训练得到。

另一方面，本申请实施例提供一种网页分类装置，包括：

第一确定模块，用于确定目标网页对应的待分析对象，所述待分析对象包括网页链接和/或网页标题；

第二确定模块，用于确定所述待分析对象的第一特征信息，所述第一特征信息包括所述待分析对象中包含的多个关键特征因子之间的关联关系特征；

第三确定模块，用于根据所述第一特征信息，确定所述目标网页的目标综合特征信息，所述目标综合特征信息包括所述关联关系特征；

分类模块，用于将所述目标综合特征信息输入预先训练的网页分类模型，根据所述网页分类模型的输出数据确定所述目标网页的网页类型，所述网页分类模型基于多个样本网页的样本综合特征信息和样本网页类型训练得到。

再一方面，本申请实施例提供一种网页分类设备，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现：

再一方面，本申请实施例提供一种存储介质，用于存储计算机程序，所述计算机程序在被处理器执行时以实现以下流程：

采用本申请实施例的技术方案，首先确定目标网页对应的待分析对象(包括网页链接和/或网页标题)，确定待分析对象的第一特征信息，该第一特征信息包括待分析对象中包含的多个关键特征因子之间的关联关系特征，进而根据第一特征信息确定目标网页的目标综合特征信息。可见，该技术方案通过依据网页链接和/或网页标题中包含的多个关键特征因子之间的关联关系特征确定目标网页的目标综合特征信息，使得目标综合特征信息并非是单一的、无关联的特征信息，从而使得目标网页的特征信息确定的更加准确、全面。进一步地，通过将目标综合特征信息输入预先训练的网页分类模型，根据网页分类模型的输出数据确定目标网页的网页类型，其中，网页分类模型基于多个样本网页的样本综合特征信息和样本网页类型训练得到，由于目标网页的目标综合特征信息能够全面、准确地表征目标网页的特征，因此能够避免网页分类时所依据的特征信息不全面时导致网页分类结果不准确的情况，大大提升了网页分类的准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本申请一实施例的一种网页分类方法的示意性流程图；

图2是根据本申请另一实施例的一种网页分类方法的示意性流程图；

图3是根据本申请一实施例的一种网页分类装置的示意性框图；

图4是根据本申请一实施例的一种网页分类设备的示意性框图。

具体实施方式

本申请实施例提供一种网页分类方法及装置，用以解决现有的网页分类方法的准确率较低的问题。

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

在网页分类领域中，互联网上网页的数量不断增加，数据资源不断丰富，过大的信息量导致网页分类的准确度要求越来越高。因此，如何高准确地识别出各类网页的类型，是网页分类领域中亟待解决的问题之一。本申请提供的一种网页分类方法，通过提取网页链接和/或网页标题的特征信息，该特征信息包括网页链接和/或网页标题中关键特征因子之间的关联关系特征(比如位置关系)、关键特征因子的类别、在网页链接和/或网页标题中的位置、数目等等。进而，根据上述特征信息以及预先训练的网页分类模型确定出网页的网页类型，使得网页分类时所依据的特征信息更加全面、准确，确保网页分类的准确性。

本申请提供的网页分类方法，可适用于各种有网页分类需求的场景中，比如从大量网页中识别出垃圾网页的场景、对于多个网页频道(如新闻频道、娱乐频道、财经频道等)中各类网页的区分场景等等，在不同的网页分类场景中，网页类型的数目和/或内容也有所不同。在识别垃圾网页的场景中，网页类型包括垃圾网页和正常网页两种类型。在对多个网页频道中各类网页的区分场景中，网页类型可包括新闻类网页、娱乐类网页、财经类网页等多种类型。需要说明的是，虽然不同的网页分类场景中网页类型的内容有所不同，但对于网页分类模型的训练方式以及利用网页分类模型识别网页类型的方式均类似，以下通过实施例详细说明。

图1是根据本申请一实施例的一种网页分类方法的示意性流程图，如图1所示，该方法包括以下步骤S102-S108：

S102，确定目标网页对应的待分析对象，待分析对象包括网页链接和/或网页标题。

其中，目标网页即为待分类的网页。网页链接例如“https://www.123456.com/”，网页标题即为网页内容的标题。在网页HTML代码中，网页标题位于<head></head>标签之间，其形式例如为“<title>网络营销教学网站</title>”，其中的文字部分“网络营销教学网站”即为网页标题。

S104，确定待分析对象的第一特征信息，该第一特征信息包括待分析对象中包含的多个关键特征因子之间的关联关系特征。

其中，关键特征因子的类型可包括数字、字母、符号、文字中的至少一项。多个关键特征因子的类型可相同、也可不同。多个关键特征因子之间的关联关系特征可用于表征多个关键特征因子在待分析对象中的位置关系，详细的关联关系特征将在下述实施例中详述，此处先不赘述。

S106，根据第一特征信息，确定目标网页的目标综合特征信息。

其中，目标网页的目标综合特征信息中包括多个关键特征因子之间的关联关系特征。

S108，将目标综合特征信息输入预先训练的网页分类模型，根据网页分类模型的输出数据确定目标网页的网页类型，网页分类模型基于多个样本网页的样本综合特征信息和样本网页类型训练得到。

其中，网页分类模型的输出数据可以是目标网页的网页类型，也可以是目标网页属于某种网页类型的概率；等等。

在本申请实施例中，需使用预先训练的网页分类模型识别目标网页的网页类型，因此，以下首先说明网页分类模型的训练方式。

在一个实施例中，通过以下步骤A1-A4训练网页分类模型。

步骤A1，获取多个样本网页，根据样本网页对应的样本网页类型为样本网页添加样本标签，并确定各样本网页分别对应的待分析样本对象。其中，样本网页对应的待分析样本对象包括样本网页的网页链接和/或网页标题。

样本标签的标签内容可以是样本网页类型本身，比如，假设样本网页的样本网页类型为垃圾网页，则对应的样本标签即为“垃圾网页”。样本标签的标签内容还可以是样本网页类型对应的标识，比如，预先为每种样本网页类型设置对应的标识，其中垃圾网页对应的标识假设为“A类”，则可为样本网页类型为垃圾网页的样本网页添加标签“A类”。

步骤A2，确定待分析样本对象的样本特征信息，样本特征信息包括待分析样本对象中包含的多个样本关键特征因子之间的关联关系特征。

步骤A3，根据样本特征信息，确定各样本网页分别对应的样本综合特征信息，该样本综合特征信息包括多个样本关键特征因子之间的关联关系特征。

步骤A4，根据各样本网页分别对应的样本综合特征信息和样本标签进行模型训练，得到网页分类模型。

如上所述，本申请提供的网页分类方法可适用于多种网页分类场景中，且在不同网页分类场景中，样本网页类型的数目和/或内容有所不同，导致样本网页的选择方式也随之不同。在一个实施例中，样本网页的获取与样本网页类型的数目和/或内容相关。基于此，可先确定样本网页类型的数目和/或内容，进而再获取与样本网页类型相匹配的样本网页。

一种情况：根据样本网页类型的数目，获取与样本网页类型相匹配的样本网页。例如，样本网页类型的数目为2，说明需要对两种类型的网页进行识别区分，因此用于训练网页分类模型的样本网页也应选择两种类型的样本网页。以对垃圾网页的识别场景为例，若样本网页类型包括垃圾网页和正常网页两种类型，即样本网页类型的数目为2，则在训练网页分类模型时，样本网页可选择类型为垃圾网页的第一类样本网页以及类型为正常网页的第二类样本网页。再以对不同网页频道的网页的识别场景为例，若样本网页类型包括娱乐类网页、体育类网页和财经类网页三种类型，即样本网页类型的数目为3，则在训练网页分类模型时，样本网页可选择类型为娱乐类网页的第一类样本网页、类型为体育类网页的第二类样本网页以及类型为财经类网页的第三类样本网页。

另一种情况：根据样本网页类型的内容，获取与样本网页类型相匹配的样本网页。例如，样本网页类型的内容包括正常网页和异常网页两类，说明需要对正常网页和异常网页这两种类型的网页进行识别区分，因此用于训练网页分类模型的样本网页也应包括正常样本网页和异常样本网页两种类型。

再一种情况：根据样本网页类型的数目和内容，获取与样本网页类型相匹配的样本网页。例如，样本网页类型的数目为2，且样本网页类型的内容包括正常网页和异常网页两类，说明需要对正常网页和异常网页这两种类型的网页进行识别区分，因此用于训练网页分类模型的样本网页也应包括正常样本网页和异常样本网页两种类型。

本实施例中，关联关系特征的类型可包括数字、字母、符号、文字等中的至少一项。多个样本关键特征因子的类型可相同也可不同。多个样本关键特征因子之间的关联关系特征可用于表征多个样本关键特征因子在待分析样本对象中的位置关系。

下面以样本网页的网页链接为“https://www.123456.com/”、网页标题为“异常网页识别方法”为例，说明如何提取样本网页中的待分析样本对象的样本特征信息，该样本特征信息包括待分析样本对象中包含的多个样本关键特征因子之间的关联关系特征。对于网页链接“https://www.123456.com/”，可直接从网页链接整体中提取样本特征信息，也可以从网页链接中识别出域名，进而从域名中提取样本特征信息，例如从网页链接“https://www.123456.com/”的域名“www.123456.com”中进行提取。

可选地，关联关系特征包括以下(1)-(4)中的至少一项：

(1)多个样本关键特征因子的总长度。

在域名“www.123456.com”中，样本关键特征因子包括字母“www、com”，包括数字“123456”，以及包括符号“.”。假设预先设置样本关键特征因子的种类包括字母、数字和符号，由于域名“www.123456.com”中字母的长度为6，数字的长度为6，符号的长度为2，因此域名“www.123456.com”的样本关键特征因子的总长度为6+6+2＝14，即所有样本关键特征因子的长度之和。需要说明的是，一个样本关键特征因子即为一位数字、字母、符号或文字。样本关键特征因子的总长度的单位为“位”，即每个样本关键特征因子的长度即为1位。在以下任一实施例中，长度的单位均为“位”。

(2)各样本关键特征因子之间的第一位置关系和/或第一排列方式。

其中，在分析各样本关键特征因子之间的第一位置关系时，可先确定各样本关键特征因子在待分析样本对象中的位置信息，进而根据该位置信息，确定各样本关键特征因子之间的第一位置关系。第一位置关系可包括前后位置关系、位置间隔长度等。

在域名“www.123456.com”中，各样本关键特征因子之间的第一位置关系可示例为：3位字母之后为1位符号、1位符号之后为6位数字、6位数字之后为1位符号、1位符号之后为3位字母、数字和字母之间间隔1位符号；等等。各样本关键特征因子之间的第一排列关系可示例为：以字母—数字—字母的形式排列，且字母和数字之间以符号“.”隔开；等等。以上对于各样本关键特征因子之间的位置关系和排列方式的表征方式仅为示例，本实施例对此不作限定。

(3)样本关键特征因子集的数目、长度和在待分析样本对象中的第一位置信息等。

其中，样本关键特征因子集包括连续的多个样本关键特征因子，样本关键特征因子集中包括的多个样本关键特征因子的种类可相同、也可不同。假设将多个连续的相同种类的样本关键特征因子组成的区间作为样本关键特征因子集，则在域名“www.123456.com”中，“www”、“123456”和“com”均属于样本关键特征因子集。样本关键特征因子集可根据包括的样本关键特征因子的种类命名，例如，样本关键特征因子集“www”可称为字母特征因子集，样本关键特征因子集“123456”可称为数字特征因子集。

例如，域名“www.123456.com”中包括的样本关键特征因子集的总数目为3，总长度为12，每个样本关键特征因子集的长度分别为3、6、3。字母特征因子集的数目为为2，数字特征因子集的数目为1。其中，字母特征因子集“www”在网页链接中的第一位置信息为位于网页链接中的第8-10位，数字特征因子集“123456”在网页链接中的第一位置信息为位于网页链接中的第12-17位；等等。

(4)样本关键特征因子集中的各样本关键特征因子的类别、第二位置关系和第二排列方式等。

其中，样本关键特征因子集中的各样本关键特征因子的类别可包括数字、字母、符号或文字中的至少一项。如果样本关键特征因子集中各样本关键特征因子的类别不同，则可以分析各样本关键特征因子在样本关键特征因子集中的第二位置关系和第二排列方式等。假设样本关键特征因子集由多个连续的字母和符号类别的样本关键特征因子组成，则在域名“www.123456.com”中，“www.”即为一个样本关键特征因子集。在样本关键特征因子集“www.”中，字母和符号之间的第二位置关系可示例为：字母位于符号之前、符号位于字母之后，等等。字母和符号之间的第二排列方式可示例为：字母排列于符号之前、符号排列于字母之后、每3位字母之后排列1位符号，等等。

对于混合类别(即包括多个类别)的样本关键特征因子集，各样本关键特征因子的第二排列方式还可包括各类别的样本关键特征因子的排列方式。以字母和数字混合的样本关键特征因子集“1a2b3c4d”为例，可看出，该样本关键特征因子集“1a2b3c4d”中各类别的样本关键特征因子的排列方式可示例为：重复4次“数字—字母”的排列方式、每个数字后排列一位字母、每个字母后排列一位数据；等等。

在一个实施例中，除上述列举的(1)-(4)项关联关系特征之外，样本特征信息还可包括各样本关键特征因子分别对应的第二样本特征信息、待分析样本对象的第三样本特征信息等。其中，第二样本特征信息包括以下至少一项：样本关键特征因子的类别、位置信息、相同类别的样本关键特征因子在待分析样本对象中的数目、指定类别的样本关键特征因子是否存在等等。第三样本特征信息包括待分析样本对象的总长度、one-hot特征等等。具体可列举为以下(5)-(10)：

(5)指定类别的样本关键特征因子是否存在、样本关键特征因子的类别、在网页链接和/或域名中的位置信息。

例如，指定类别为数字，则域名“www.123456.com”中存在数字类的样本关键特征因子“123456”，样本关键特征因子“123456”在域名中的第二位置信息为位于域名中第5-10位。再例如，指定类别为文字，则域名“www.123456.com”中不存在文字类的样本关键特征因子。

域名“www.123456.com”中包括的样本关键特征因子的类别有字母、数字和符号。其中，数字类的样本关键特征因子“123456”在域名中的位置信息为位于域名中第5-10位，字母类的样本关键特征因子“www、com”在域名中的位置信息为位于域名中第1-3、12-14位，符号类的样本关键特征因子“.”在域名中的位置信息为位于域名中第4、11位。

(6)相同类别的样本关键特征因子在待分析样本对象中的数目。

例如，相同类别为数字，则域名“www.123456.com”中数字类的样本关键特征因子在待分析样本对象中的数目(即在域名中的数目)为6。

(7)网页链接的域名中是否存在指定内容，如指定年份、“www”、“cn”、“com”、“gov”或“org”。

可选地，可用0、1表示是否存在上述指定内容，例如，0表示不存在，1表示存在。例如，指定年份为最近3年的年份，则可判断网页链接的域名中是否存在2021、2020、2019这3个年份。

(8)网页链接的总长度、域名长度、网页标题的总长度。

例如，网页链接“https://www.123456.com/”的总长度为22，域名长度为14，对应的网页标题“异常网页识别方法”的长度为8。

(9)网页链接中各类别的样本关键特征因子的出现次数。

其中，出现次数也可理解为数目，例如，在域名“www.123456.com”中，数字类的样本关键特征因子的出现次数为6，字母类的样本关键特征因子的出现次数为6，符号类的样本关键特征因子的出现次数为2。

(10)待分析样本对象(即网页链接和/或网页标题)的one-hot特征。

待分析样本对象的one-hot特征可以是将待分析样本对象拆分为多个词或片段后的one-hot特征。以待分析样本对象为网页标题“异常网页识别方法”为例，将网页标题“异常网页识别方法”分词后得到以下词：异常、网页、识别、方法。假设预先设定的用于表征one-hot特征的分词库中包括异常、正常、识别、情景以及教育，且用0表示网页标题中不包括对应的词，用1表示网页标题中包括对应的词，则网页标题“异常网页识别方法”的one-hot特征可表示为“10100”。需要说明的是，本实施例中列举的分词库中包括的词的数量仅是示例，在实际应用中，分词库中包括的词的数量通常较多，比如200个词，那么网页标题的one-hot特征即包括200位“1”或者“0”。

本实施例中，样本特征信息的类型并不局限于上述所列举的内容，还可以是任意能够表征网页特征的特征信息，比如待分析样本对象中包括的大写字母的数目和/或位置、小写字母的数目和/或位置、特定符号(如“//”、“％”等)的数目和/或位置；等等。

以上详述了样本网页对应的待分析样本对象的样本特征信息，可看出，上述列举的样本特征信息已然能够全面完整地表征出样本网页的网页特征，相较于以往单一的、无关联的表征网页特征的方式而言，本实施例能够更加准确得构建出样本网页对应的样本特征信息，从而为后续训练精确度高的网页分类模型提供准确的数据支撑。

在确定出样本特征信息之后，可根据样本特征信息确定样本网页对应的样本综合特征信息。

在一个实施例中，可将确定出的多个样本特征信息按照预设拼接方式进行拼接，从而得到样本网页对应的样本综合特征信息。其中，预设拼接方式可以是以下任一种方式：按照预设的各类样本特征信息的顺序进行拼接、按照各样本特征信息的信息长度进行拼接(如长度由大到小)，等等。

例如，样本网页的样本特征信息依次包括：网页链接中是否存在“com”、网页链接中是否存在“cn”、网页链接的域名长度、网页链接中数字类的样本关键特征因子的数目、网页链接中字母类的样本关键特征因子的数目、网页链接中数字类的样本关键特征因子集的长度、网页链接中字母类关键特征因子集的长度、网页标题的one-hot特征。对于网页链接“https://www.123456.com/”，其对应的网页标题为“异常网页识别方法”。网页链接中存在“com”，对应的特征信息表示为“1”；不存在“cn”，对应的特征信息表示为“0”；域名长度为14，对应的特征信息表示为“14”；数字类关键特征因子“123456”的数目为6，对应的特征信息表示为“06”；字母类关键特征因子“www、123456、com”的长度为12，对应的特征信息表示为“12”；数字类关键特征因子集“123456”的长度为6，对应的特征信息表示为“06”；字母类关键特征因子集“www”、“123456”和“com”的长度分别为3、6、3，对应的特征信息表示为“030603”；网页标题的one-hot特征为“10100”。按照预设的各类样本特征信息的顺序，将上述特征信息进行组合，从而得到样本网页的样本综合特征信息为“101406120603060310100”。需要说明的是，本实施例中对于各类样本特征信息的数字表征方式也仅是示例，实际应用中并不局限于数据表征方式，其还可以采用字符、字母、图形等其他任意种表征方式。

在确定各样本网页分别对应的样本综合特征信息之后，利用与样本网页相匹配的分类网络模型以及样本综合特征信息、样本网页类型进行模型训练，从而得到网页分类模型。其中，与样本网页相匹配的分类网络模型，即为与样本网页可能属于的样本网页类型相匹配的分类网络模型。训练网页分类模型所使用的分类网络模型应与样本网页可能属于的样本网页类型相匹配。

与样本网页相匹配的分类网络模型，可根据样本网页类型的数目和/或内容来确定。可选地，若根据样本网页类型的数目来确定分类网络模型，则分类网络模型应与样本网页类型的数目相匹配。若根据样本网页类型的内容来确定分类网络模型，则可先根据样本网页类型的内容确定出样本网页类型的数目，进而确定出与样本网页类型的数目相匹配的分类网络模型。例如，在对垃圾网页的识别场景中，样本网页可能属于的样本网页类型包括两种，如正常网页和垃圾网页，则与样本网页相匹配的分类网络模型可以是二分类网络模型，如贝叶斯分类器等。在对不同网页频道的网页的识别场景中，样本网页可能属于的样本网页类型包括娱乐类网页、体育类网页和财经类网页三种类型，即样本网页类型的数目为3，则可选择三分类网络模型作为与样本网页相匹配的分类网络模型。

本实施例中，通过将各样本网页分别对应的样本综合特征信息和样本标签输入与样本网页相匹配的分类网络模型进行训练，从而训练出网页分类模型。

在一个实施例中，执行S104时，即确定目标网页对应的待分析对象的第一特征信息，第一特征信息包括待分析对象中包含的多个关键特征因子之间的关联关系特征。该关联关系特征可包括以下至少一项：多个关键特征因子的总长度；各关键特征因子之间的第一位置关系和/或第一排列方式；关键特征因子集的数目、长度和在待分析对象中的第一位置信息中的至少一项；关键特征因子集包括连续的多个关键特征因子；关键特征因子集中的各关键特征因子的类别、第二位置关系、第二排列方式中的至少一项；关键特征因子的类别包括字母、数字、字符、文字中的至少一项。

本实施例中，目标网页对应的关联关系特征的内容以及分析方式，均和上述实施例中样本网页对应的关联关系特征的内容以及确定方式相同。此外，目标网页对应的第一特征信息除多个关键特征因子之间的关联关系特征之外，还可包括各关键特征因子分别对应的第二特征信息、待分析对象的第三特征信息等。其中，第二特征信息包括以下至少一项：关键特征因子的类别、第二位置信息、相同类别的关键特征因子在待分析对象中的数目、指定类别的关键特征因子是否存在等等。第三特征信息包括待分析对象的总长度、one-hot特征等等。第一特征信息的内容以及分析方式可参照上述实施例中所列举的(1)-(10)项，此处不再赘述。

在一个实施例中，执行S106时，即根据第一特征信息集目标网页的目标综合特征信息。可将各第一特征信息按照预设拼接方式进行拼接，得到目标网页的目标综合特征信息。其中，预设拼接方式可以是以下任一种方式：按照预设的各类样本特征信息的顺序进行拼接、按照各样本特征信息的信息长度进行拼接(如长度由大到小)，等等。

例如，目标网页的第一特征信息依次包括：网页链接中是否存在“com”、网页链接中是否存在“cn”、网页链接的域名长度、网页链接中数字类关键特征因子的数目、网页链接中字母类关键特征因子的数目、网页链接中数字类关键特征因子集的长度、网页链接中字母类关键特征因子集的长度、网页标题的one-hot特征。对于网页链接“https://www.123456.com/”，其对应的网页标题为“异常网页识别方法”。网页链接中存在“com”，对应的特征信息表示为“1”；不存在“cn”，对应的特征信息表示为“0”；域名长度为14，对应的特征信息表示为“14”；数字类关键特征因子“123456”的数目为6，对应的特征信息表示为“06”；字母类关键特征因子“www、123456、com”的长度为12，对应的特征信息表示为“12”；数字类关键特征因子集“123456”的长度为6，对应的特征信息表示为“06”；字母类关键特征因子集“www”、“123456”和“com”的长度分别为3、6、3，对应的特征信息表示为“030603”；网页标题的one-hot特征为“10100”。按照预设的各类第一特征信息的顺序，将上述特征信息进行组合，从而得到目标网页的目标综合特征信息为“101406120603060310100”。

将该目标综合特征信息输入至网页分类模型中，即可得到网页类型的识别结果。

本实施例中，通过确定目标网页的全面、完整的目标综合特征信息，使得目标综合特征信息能够全面、准确地表征出目标网页的网页特征，且由于网页分类模型也同样基于全面完整的样本综合特征信息训练得到，因此利用网页分类模型能够精确地识别出目标网页的网页类型。

图2是根据本申请另一实施例的一种网页分类方法的示意性流程图，如图2所示，该方法包括以下步骤S201-S208：

S201，根据样本网页类型的数目，获取与样本网页类型相匹配的多个样本网页，并根据样本网页类型为各样本网页添加样本标签。

其中，样本网页类型基于网页分类场景所确定。例如，在识别垃圾网页的场景中，样本网页类型包括垃圾网页和正常网页两种类型。在对多个网页频道中各类网页的区分场景中，样本网页类型可包括新闻类网页、娱乐类网页、财经类网页等多种类型。

S202，确定各样本网页分别对应的网页链接和/或网页标题，并确定网页链接和/或网页标题的样本特征信息。

其中，样本特征信息包括网页链接和/或网页标题中包含的多个样本关键特征因子之间的关联关系特征、各样本关键特征因子分别对应的第二样本特征信息、网页链接和/或网页标题的第三样本特征信息等。第二样本特征信息包括以下至少一项：样本关键特征因子的类别、位置信息、相同类别的样本关键特征因子在网页链接和/或网页标题的中的数目、指定类别的样本关键特征因子是否存在等等。第三样本特征信息包括网页链接和/或网页标题的总长度、one-hot特征等等。样本特征信息的详细内容以及分析方式可参照上述实施例中所列举的(1)-(10)项，此处不再赘述。

S203，将多个样本特征信息按照预设拼接方式进行拼接，得到样本网页对应的样本综合特征信息。

其中，预设拼接方式可以是以下任一种方式：按照预设的各类样本特征信息的顺序进行拼接、按照各样本特征信息的信息长度进行拼接(如长度由大到小)，等等。

S204，确定与样本网页相匹配的分类网络模型。

该步骤中，与样本网页相匹配的分类网络模型，即为与样本网页可能属于的样本网页类型相匹配的分类网络模型。训练网页分类模型所使用的分类网络模型应与样本网页可能属于的样本网页类型相匹配，例如，样本网页可能属于的样本网页类型包括两种，如正常网页和异常网页，则与样本网页相匹配的分类网络模型可以是二分类网络模型，如贝叶斯分类器等。

S205，将各样本网页对应的样本综合特征信息和样本标签输入分类网络模型进行训练，得到网页分类模型。

S206，针对待识别的目标网页，确定目标网页对应的网页链接和/或网页标题的第一特征信息。

其中，第一特征信息包括网页链接和/或网页标题中包含的多个关键特征因子之间的关联关系特征、各关键特征因子分别对应的第二特征信息、网页链接和/或网页标题的第三特征信息等。第二特征信息包括以下至少一项：关键特征因子的类别、位置信息、相同类别的关键特征因子在网页链接和/或网页标题的中的数目、指定类别的关键特征因子是否存在等等。第三特征信息包括网页链接和/或网页标题的总长度、one-hot特征等等。若关联关系特征包括各关键特征因子之间的第一位置关系，则可先确定各关键特征因子在网页链接和/或网页标题中的位置信息，进而根据该位置信息确定出各关键特征因子之间的第一位置关系，如前后位置关系、位置间隔长度等。

第一特征信息的详细内容以及分析方式可参照上述实施例中所列举的(1)-(10)项，此处不再赘述。

S207，将多个第一特征信息按照预设拼接方式进行拼接，得到目标网页对应的目标综合特征信息。

该步骤中，对第一特征信息拼接时所基于的预设拼接方式，与S203中对样本网页的样本特征信息拼接时的预设拼接方式相同。

S208，将目标网页的目标综合特征信息输入至网页分类模型，从而输出目标网页的网页类型。

本实施例中，通过依据网页链接和/或网页标题中包含的多个关键特征因子之间的关联关系特征确定目标网页的目标综合特征信息，使得目标综合特征信息并非是单一的、无关联的特征信息，从而使得目标网页的特征信息确定的更加准确、全面。进一步地，通过根据目标综合特征信息和预先训练的网页分类模型识别目标网页的网页类型，其中，网页分类模型基于多个样本网页的综合特征信息和样本网页类型训练得到，由于目标网页的目标综合特征信息能够全面、准确地表征目标网页的特征，因此能够避免网页分类时所依据的特征信息不全面时导致网页分类结果不准确的情况，大大提升了网页分类的准确性。

如上所述，本申请提供的网页分类方法可适用于多种网页分类场景中，比如从大量网页中识别出垃圾网页的场景、对于多个网页频道(如新闻频道、娱乐频道、财经频道等)中各类网页的区分场景等等。在不同的网页分类场景中，网页类型的数目和/或内容会有所不同，本申请实施例可基于不同的网页分类场景选择相匹配的分类网络模型和样本网页，从而训练出与网页分类场景相匹配的网页分类模型。比如以下两个场景：

场景一、对垃圾网页的识别场景。在该场景中，网页类型包括垃圾网页和正常网页两类，因此可选择二分类网络模型进行网页分类模型的训练，例如常见的Logistic模型、贝叶斯分类器等。在训练网页分类模型时，可选择多个垃圾网页和多个正常网页做为样本网页，即，样本网页中需包括多个做为正样本的正常网页和多个做为负样本的垃圾网页。按照上述实施例中所述的确定样本综合特征信息的方式，分别确定正样本和负样本的样本综合特征信息，进而利用所选择的二分类网络模型，对正样本和负样本的样本综合特征信息进行特征学习，通过特征学习训练得到网页分类模型，该网页分类模型可用于识别目标网页是否为垃圾网页。可选地，将目标网页按照上述步骤S106的方式确定出目标综合特征信息，进而将目标综合特征信息输入训练出的网页分类模型中，以使网页分类模型基于目标综合特征信息进行网页识别，并输出网页识别结果，如是否为垃圾网页、或者属于垃圾网页的概率。

场景二、对不同网页频道的网页进行识别。在该场景中，网页频道包括新闻频道、娱乐频道和财经频道三类，因此可选择三分类网络模型进行模型训练，例如逻辑回归三分类器等。在训练模型时，可选择多个新闻类网页、多个娱乐类网页和多个财经类网页做为样本网页，即，样本网页中需包括多个做为第一类样本的新闻类网页、多个做为第二类样本的娱乐类网页和多个做为第三类样本的财经类网页。按照上述实施例中所述的确定样本综合特征信息的方式，分别确定第一类样本、第二类样本和第三类样本的样本综合特征信息，进而利用所选择的三分类网络模型，对第一类样本、第二类样本和第三类样本的样本综合特征信息进行特征学习，通过特征学习训练得到网页分类模型，该网页分类模型可用于识别目标网页属于新闻类网页、娱乐类网页或财经类网页。可选地，将目标网页按照上述步骤S106的方式确定出目标综合特征信息，进而将目标综合特征信息输入训练出的网页分类模型中，以使网页分类模型基于目标综合特征信息进行网页识别，并输出网页识别结果，如输出是否为新闻类网页、娱乐类网页或财经类网页，或者输出属于新闻类网页、娱乐类网页或财经类网页的概率。

由于样本网页和分类网络模型可根据实际应用场景进行有针对性地选择，因此，本实施例提供的网页分类方法能够适用于任一网页分类的场景中，因此具备普适性。且无论应用于何种场景，均可通过上述实施例中所介绍的模型训练方法训练网页分类模型，使得网页分类模型的精确度更高，从而大大提升网页分类的准确性。

综上，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。

以上为本申请实施例提供的网页分类方法，基于同样的思路，本申请实施例还提供一种网页分类装置。

图3是根据本申请一实施例的一种网页分类装置的示意性框图，如图3所示，网页分类装置包括：

第一确定模块310，用于确定目标网页对应的待分析对象，所述待分析对象包括网页链接和/或网页标题；

第二确定模块320，用于确定所述待分析对象的第一特征信息，所述第一特征信息包括所述待分析对象中包含的多个关键特征因子之间的关联关系特征；

第三确定模块330，用于根据所述第一特征信息，确定所述目标网页的目标综合特征信息，所述目标综合特征信息包括所述关联关系特征；

分类模块340，用于将所述目标综合特征信息输入预先训练的网页分类模型，根据所述网页分类模型的输出数据确定所述目标网页的网页类型，所述网页分类模型基于多个样本网页的样本综合特征信息和样本网页类型训练得到。

在一个实施例中，所述关联关系特征包括以下至少一项：

多个所述关键特征因子的总长度；

各所述关键特征因子之间的第一位置关系和/或第一排列方式；

关键特征因子集的数目、长度和/或在所述待分析对象中的第一位置信息，所述关键特征因子集包括连续的多个所述关键特征因子；

所述关键特征因子集中的各所述关键特征因子的类别、第二位置关系和/或第二排列方式，所述关键特征因子的类别包括字母、数字、字符和/或文字。

在一个实施例中，所述关联关系特征包括各所述关键特征因子之间的所述第一位置关系；

所述第二确定模块320包括：

第一确定单元，用于分别确定每个所述关键特征因子在所述待分析对象中的第二位置信息；

第二确定单元，用于根据所述第二位置信息，确定各所述关键特征因子之间的所述第一位置关系，所述第一位置关系包括前后位置关系和/或位置间隔长度。

在一个实施例中，所述第一特征信息包括多个；

所述第三确定模块330包括：

拼接单元，用于将多个所述第一特征信息按照预设拼接方式进行拼接，得到所述目标网页的所述目标综合特征信息。

在一个实施例中，所述装置还包括：

获取模块，用于在确定目标网页对应的待分析对象之前，获取多个所述样本网页，根据所述样本网页对应的所述样本网页类型为所述样本网页添加样本标签，并确定各所述样本网页分别对应的待分析样本对象；

第四确定模块，用于确定所述待分析样本对象的样本特征信息，所述样本特征信息包括所述待分析样本对象中包含的多个样本关键特征因子之间的关联关系特征；

第五确定模块，用于根据所述样本特征信息，确定各所述样本网页分别对应的样本综合特征信息，所述样本综合特征信息包括所述多个样本关键特征因子之间的关联关系特征；

第六确定模块，用于确定各所述样本网页分别对应的样本网页类型，并根据所述样本网页类型为各所述样本网页添加样本标签；

模型训练模块，用于根据各所述样本网页分别对应的所述样本综合特征信息和所述样本标签进行模型训练，得到所述网页分类模型。

在一个实施例中，所述获取模块包括：

获取单元，用于根据所述样本网页类型的数目和/或内容，获取与所述样本网页类型相匹配的所述样本网页；

所述模型训练模块包括：

第三确定单元，用于根据所述网页类型的数目和/或内容，确定与所述样本网页相匹配的分类网络模型；

特征学习单元，用于将各所述样本综合特征信息和对应的所述样本标签输入所述分类网络模型进行训练。

在一个实施例中，所述第一特征信息还包括各所述关键特征因子分别对应的第二特征信息和/或所述待分析对象的第三特征信息；

所述第二特征信息包括以下至少一项：所述关键特征因子的所述类别、所述第二位置信息、相同类别的所述关键特征因子在所述待分析对象中的数目、指定类别的所述关键特征因子是否存在；

所述第三特征信息包括以下至少一项：所述待分析对象的总长度和/或one-hot特征。

采用本申请实施例的装置，首先确定目标网页对应的待分析对象(包括网页链接和/或网页标题)，确定待分析对象的第一特征信息，该第一特征信息包括待分析对象中包含的多个关键特征因子之间的关联关系特征，进而根据第一特征信息确定目标网页的目标综合特征信息。可见，该技术方案通过依据网页链接和/或网页标题中包含的多个关键特征因子之间的关联关系特征确定目标网页的目标综合特征信息，使得目标综合特征信息并非是单一的、无关联的特征信息，从而使得目标网页的特征信息确定的更加准确、全面。进一步地，通过将目标综合特征信息输入预先训练的网页分类模型，根据网页分类模型的输出数据确定目标网页的网页类型，其中，网页分类模型基于多个样本网页的样本综合特征信息和样本网页类型训练得到，由于目标网页的目标综合特征信息能够全面、准确地表征目标网页的特征，因此能够避免网页分类时所依据的特征信息不全面时导致网页分类结果不准确的情况，大大提升了网页分类的准确性。

本领域的技术人员应可理解，图3中的网页分类装置能够用来实现前文所述的网页分类方法，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。

基于同样的思路，本申请实施例还提供一种网页分类设备，如图4所示。网页分类设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器401和存储器402，存储器402中可以存储有一个或一个以上存储应用程序或数据。其中，存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对网页分类设备中的一系列计算机可执行指令。更进一步地，处理器401可以设置为与存储器402通信，在网页分类设备上执行存储器402中的一系列计算机可执行指令。网页分类设备还可以包括一个或一个以上电源403，一个或一个以上有线或无线网络接口404，一个或一个以上输入输出接口405，一个或一个以上键盘406。

具体在本实施例中，网页分类设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对网页分类设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

本申请实施例还提出了一种存储介质，该存储介质存储一个或多个计算机程序，该一个或多个计算机程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行上述一种网页分类方法，并具体用于执行：

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种网页分类方法，其特征在于，包括：

确定所述待分析对象的第一特征信息，所述第一特征信息包括所述待分析对象中包含的多个关键特征因子之间的关联关系特征；所述关联关系特征包括：各所述关键特征因子之间的第一位置关系和/或第一排列方式，关键特征因子集在所述待分析对象中的第一位置信息，以及，所述关键特征因子集中的各所述关键特征因子的第二位置关系和/或第二排列方式；

2.根据权利要求1所述的方法，其特征在于，所述关联关系特征还包括以下至少一项：

多个所述关键特征因子的总长度；

关键特征因子集的数目、长度，所述关键特征因子集包括连续的多个所述关键特征因子；

所述关键特征因子集中的各所述关键特征因子的类别，所述关键特征因子的类别包括字母、数字、字符和/或文字。

3.根据权利要求1所述的方法，其特征在于，所述关联关系特征包括各所述关键特征因子之间的所述第一位置关系；

所述确定所述待分析对象的第一特征信息，包括：

分别确定每个所述关键特征因子在所述待分析对象中的第二位置信息；

根据所述第二位置信息，确定各所述关键特征因子之间的所述第一位置关系，所述第一位置关系包括前后位置关系和/或位置间隔长度。

4.根据权利要求1或2所述的方法，其特征在于，所述第一特征信息包括多个，所述根据所述第一特征信息，构建所述目标网页的目标综合特征信息，包括：

将多个所述第一特征信息按照预设拼接方式进行拼接，得到所述目标网页的所述目标综合特征信息。

5.根据权利要求1所述的方法，其特征在于，所述确定目标网页对应的待分析对象之前，还包括：

获取多个所述样本网页，根据所述样本网页对应的所述样本网页类型为所述样本网页添加样本标签，并确定各所述样本网页分别对应的待分析样本对象；

确定所述待分析样本对象的样本特征信息，所述样本特征信息包括所述待分析样本对象中包含的多个样本关键特征因子之间的关联关系特征；根据各所述样本网页分别对应的所述样本综合特征信息和所述样本标签进行模型训练，得到所述网页分类模型。

6.根据权利要求5所述的方法，其特征在于，所述获取多个所述样本网页，包括：

根据所述样本网页类型的数目和/或内容，获取与所述样本网页类型相匹配的所述样本网页；

所述根据各所述样本网页分别对应的所述样本综合特征信息和所述样本标签进行模型训练，包括：

根据所述样本网页类型的数目和/或内容，确定与所述样本网页相匹配的分类网络模型；

将各所述样本综合特征信息和对应的所述样本标签输入所述分类网络模型进行训练。

7.根据权利要求3所述的方法，其特征在于，所述第一特征信息还包括各所述关键特征因子分别对应的第二特征信息和/或所述待分析对象的第三特征信息；

所述第二特征信息包括以下至少一项：所述关键特征因子的类别、所述第二位置信息、相同类别的所述关键特征因子在所述待分析对象中的数目、指定类别的所述关键特征因子是否存在；

8.一种网页分类装置，其特征在于，包括：

第二确定模块，用于确定所述待分析对象的第一特征信息，所述第一特征信息包括所述待分析对象中包含的多个关键特征因子之间的关联关系特征；所述关联关系特征包括：各所述关键特征因子之间的第一位置关系和/或第一排列方式，关键特征因子集在所述待分析对象中的第一位置信息，以及，所述关键特征因子集中的各所述关键特征因子的第二位置关系和/或第二排列方式；

9.一种网页分类设备，其特征在于，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现：

10.一种存储介质，其特征在于，所述存储介质用于存储计算机程序，所述计算机程序在被处理器执行时以实现以下流程：