申请/专利权人:南京工程学院
申请日:2024-03-22
公开(公告)日:2024-06-11
公开(公告)号:CN118170962A
主分类号:G06F16/951
分类号:G06F16/951;G06F16/955;G06F16/906;G06F18/2415;G06N20/00
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.06.28#实质审查的生效;2024.06.11#公开
摘要:本发明公开了一种基于PTB模型的主题爬虫方法、系统及存储介质,属于计算机网络信息获取技术领域,方法包括:依次爬取种子URL集,获取种子URL集内部的所有URL链接并依次放入URL队列中;对URL队列中的URL链接进行过滤,并对经过过滤的URL连接依次进行页面解析,获取相应的页面链接和页面内容;基于改进的PageRank算法,对页面连接进行链接主题度计算,获取链接主题度;基于改进的贝叶斯分类算法,对页面内容进行内容主题度计算,获取内容主题度;基于PTB模型,根据连接主题度和内容主题度,计算主题相关度,并将主题相关度小于预设阈值的网页舍弃,将主题相关度大于或等于预设阈值的网页存储至数据库。该方法能够提高主题爬虫方法和系统中主题度判别的精度。
主权项:1.一种基于PTB模型的主题爬虫方法,其特征在于,包括:基于用户确定所要采集的主题关键词和主题相关的种子URL集,向Web服务器发出请求并获取爬取响应,依次爬取种子URL集,获取种子URL集内部的所有URL链接并依次放入URL队列中;对URL队列中的URL链接进行过滤,并对经过过滤的URL连接依次进行页面解析,获取相应的页面链接和页面内容;基于改进的PageRank算法,对所述页面连接进行链接主题度计算,获取链接主题度;基于改进的贝叶斯分类算法,对所述页面内容进行内容主题度计算,获取内容主题度,并将内容主题度计算中不相关的网页舍弃;基于PTB模型,根据所述连接主题度和内容主题度,计算主题相关度,并将主题相关度小于预设阈值的网页舍弃,将主题相关度大于或等于预设阈值的网页存储至数据库。
全文数据:
权利要求:
百度查询: 南京工程学院 一种基于PTB模型的主题爬虫方法、系统及存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。