从统一资源定位符（URL）的关键字提取

摘要

本发明涉及从统一资源定位符(URL)中的关键字提取。本文所描述的关键字提取技术从web日志中的统一资源定位符(URL)中提取关键字。该技术充分利用URL的内容和结构来提取相关关键字。首先，URL基于其结构被分成多个分量。在受控词汇的帮助下，单独地从URL的每个分量中提取一组关键字。随后通过从URL的不同段中形成项的组合来生成第二组关键字。仅保留在可控词汇中存在的那些组合作为关键字。最后，用将广泛的一组特征考虑在内的一函数来对这些关键字打分。

主权项

一种用于从对应于网站的统一资源定位符(URL)中提取关键字的计算机实现的过程，包括：标识所述URL的分量(102)；基于URL分量的结构将所述URL分成多个段(104)；对所述段执行文本分段以将URL文本转换成自然语言项(106)；基于受控词汇从段项中提取第一组关键字(108)；基于所述受控词汇通过从URL中的与用于生成所述第一组关键字的段不同的段中形成项的组合来生成第二组关键字(110)；基于一组特征来对所述第一组关键字和所述第二组关键字的相关性打分(112)；以及按相关性的顺序输出经打分的关键字(114)。