发明名称 |
一种基于相似性的半监督学垃圾网页检测方法 |
摘要 |
本发明的目的是设计基于相似性的半监督学垃圾网页检测方法,解决利用网页链接关系进行半监督学出现的问题。该方法根据网页间的相似性建立一个隐含的“链接”关系图。步骤1:从网页中提取基于内容和链接的特征步骤2)对步骤1)所提取的特征用主成分分析方法进行特征提取;步骤3)根据网页间的相似性建立隐含的“链接”关系图;步骤4)在“链接”关系图上建立高斯随机域模型,利用调和函数进行半监督学,步骤5)将步骤4)的模型与其它分类器的分类结果结合,提高分类效果,在关系图中,网页间的链接根据相似性赋予权重,然后建立高斯随机域模型,使用调和函数进行半监督学,提高了半监督学的能力。 |
申请公布号 |
CN101814093A |
申请公布日期 |
2010.08.25 |
申请号 |
CN201010139921.8 |
申请日期 |
2010.04.02 |
申请人 |
南京邮电大学 |
发明人 |
张卫丰;朱丹梅;周国强;张迎周;陆柳敏;许碧娣;刘霞 |
分类号 |
G06F17/30(2006.01)I |
主分类号 |
G06F17/30(2006.01)I |
代理机构 |
南京经纬专利商标代理有限公司 32200 |
代理人 |
叶连生 |
主权项 |
一种基于相似性的半监督学习垃圾网页检测方法,其特征在于根据网页间的相似性建立一个隐含的“链接”关系图,在关系图中,网页间的链接根据相似性赋予权重,然后建立高斯随机域模型,使用调和函数进行半监督学习;所包含的步骤为:步骤1:从网页中提取基于内容和链接的特征基于内容的特征,主要包括以下几种类型的内容特征:a.网页词的个数、标题词的个数,词的平均长度,仅考虑网页中可视文本的词,并且这些词是数字或字符类型的。b.锚文本的比值:锚文本中词的个数与网页全部词个数的比值。c.可视化文本的比值:可视化文本中词的个数与网页全部词个数的比值,包括html标签和其它不可视文本。c.压缩率,压缩为bzip格式的网页与未压缩网页大小的比值。d.词库的精度和召全率。e.查询精度和召全率:找到查询日志中最常用的查询词,查询精度和召全率的定义与词库的精度和召全率类似。f.词三元组的熵:网页压缩率的另一种度量方法。基于链接的特征,主要包括以下几种类型的链接特征:g.与度相关的度量:网页的入度和出度。h.网页排名:本网页的网页排名和链入网页的网页排名。i.信任排名。j.删减后的网页排名。k.支持者的个数。步骤2)对步骤1)所提取的特征用主成分分析方法进行特征提取;步骤3)根据网页间的相似性建立隐含的“链接”关系图;步骤4)在“链接”关系图上建立高斯随机域模型,利用调和函数进行半监督学习;步骤5)将步骤4)的模型与其它分类器的分类结果结合,提高分类效果。 |
地址 |
210003 江苏省南京市新模范马路66号 |