基于锚文本的聚焦网络爬虫搜索方法及其系统
郝红卫; 台宪青; 王艳军; 殷绪成
2011-08-11
公开日期2011-12-28
授权国家CN
专利类型发明
摘要本发明公开了一种基于锚文本的聚焦网络爬虫搜索方法及其系统,所述方法主要包括:从URL优先级队列中获取URL,并依据URL从Internet下载得到Web页面;对下载的Web页面进行解析,提取URL及其锚文本;对提取出的URL及其锚文本进行筛选;采用TF-IDF与LSI相结合的算法来计算URL的主题相关度,并将符合条件的URL放入优先级队列中;所述系统包括:URL优先级队列、网络爬虫下载器、Web页面库、URL解析器、URL筛选器以及主题相关性判断器。通过采用所述基于锚文本的聚焦网络爬虫搜索方法及其系统,本发明提高了聚焦网络爬虫爬行结果的主题相关度及爬行效率。
专利号CN201110230220.X
专利状态授权
文献类型专利
条目标识符http://ir.ia.ac.cn/handle/173211/8565
专题数字内容技术与服务研究中心_听觉模型与认知计算
作者单位中国科学院自动化研究所
推荐引用方式
GB/T 7714
郝红卫,台宪青,王艳军,等. 基于锚文本的聚焦网络爬虫搜索方法及其系统. CN201110230220.X[P]. 2011-08-11.
条目包含的文件
条目无相关文件。
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[郝红卫]的文章
[台宪青]的文章
[王艳军]的文章
百度学术
百度学术中相似的文章
[郝红卫]的文章
[台宪青]的文章
[王艳军]的文章
必应学术
必应学术中相似的文章
[郝红卫]的文章
[台宪青]的文章
[王艳军]的文章
相关权益政策
暂无数据
收藏/分享
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。