專(zhuān)利名稱(chēng)：：獲取頁(yè)面關(guān)鍵詞的方法及頁(yè)面信息處理裝置的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及通信領(lǐng)域，尤其涉及一種獲取頁(yè)面關(guān)鍵詞的方法及一種頁(yè)面信息處理裝置。
背景技術(shù)：
：隨著因特網(wǎng)的迅速發(fā)展，網(wǎng)絡(luò)已經(jīng)改變了人們獲取信息的主要方法與手段。其中，發(fā)展最為迅猛的萬(wàn)維網(wǎng)(WorldWideWeb，WWW)技術(shù)，以其直觀(guān)、方便的使用方式和豐富的表達(dá)能力，已逐漸成為因特網(wǎng)上最重要的信息發(fā)布和傳輸方式。伴隨著信息時(shí)代的到來(lái)和發(fā)展，WEB上的信息也迅速增長(zhǎng)起來(lái)。然而，WEB信息的急速膨脹，在給人們提供了豐富信息的同時(shí)，又使人們?cè)趯?duì)這些信息進(jìn)行有效使用方面面臨著一個(gè)巨大的挑戰(zhàn)。一方面因特網(wǎng)(Internet)上的信息多種多樣、豐富多彩，而另一方面用戶(hù)卻找不到所需要的信息。因此，若WEB頁(yè)面的提供者對(duì)頁(yè)面內(nèi)容進(jìn)行預(yù)先處理，提取出該WEB頁(yè)面的關(guān)鍵詞，將每個(gè)頁(yè)面的關(guān)鍵詞與頁(yè)面內(nèi)容關(guān)聯(lián)保存在數(shù)據(jù)庫(kù)中，這樣，當(dāng)網(wǎng)絡(luò)用戶(hù)請(qǐng)求瀏覽某一頁(yè)面時(shí)，可先從數(shù)據(jù)庫(kù)中獲得該頁(yè)面對(duì)應(yīng)的關(guān)鍵詞，最后將具有相同關(guān)鍵詞的頁(yè)面提供給用戶(hù)瀏覽，以便于網(wǎng)絡(luò)用戶(hù)從大量的WEB頁(yè)面中快捷準(zhǔn)確地篩選出所需要的WEB頁(yè)面。目前，WEB頁(yè)面的后綴有以下幾種超文本標(biāo)記語(yǔ)言(HypertextMarkupLanguage,HTML)，超文本標(biāo)記(HypertextMarkup,HTM),超文本預(yù)處理器(HypertextPreprocessor,PHP)，動(dòng)態(tài)月l務(wù)器頁(yè)面(ActiveServerPage,ASP),JAVA服務(wù)器端頁(yè)面(JavaServerPage)，服務(wù)器解析超文本標(biāo)記語(yǔ)言(Server-parsedHTML,SHTML)。其中，后綴是php，asp,jsp，shtml的頁(yè)面，在瀏覽器端所接收到的頁(yè)面都是HTML頁(yè)面。另夕卜，根據(jù)爬蟲(chóng)工具獲取到的頁(yè)面也是HTML頁(yè)面，與后綴是無(wú)關(guān)的?？蓴U(kuò)展標(biāo)記語(yǔ)言(ExtensibleMarkupLanguage,XML)是一種用戶(hù)可以根據(jù)自己的需求而設(shè)計(jì)標(biāo)簽的語(yǔ)言。在網(wǎng)絡(luò)上獲取到的XML頁(yè)面，其中包含了在頁(yè)面上顯示的文本。但是XML頁(yè)面的顯示，需要一個(gè)xslt文件來(lái)把XML頁(yè)面當(dāng)中的標(biāo)簽轉(zhuǎn)化成為HTML標(biāo)簽。這個(gè)xslt文件的鏈接在XML頁(yè)面當(dāng)中提供。而對(duì)于XML頁(yè)面的處理需要提取當(dāng)中所有的中文文本。因此，可將網(wǎng)—絡(luò)上的WEB頁(yè)面大體分為兩種類(lèi)型一是HTML頁(yè)面，一是XML頁(yè)面。通常的HTML頁(yè)面具有以下表1所示的格式<table>tableseeoriginaldocumentpage6</column></row><table>表1現(xiàn)有技術(shù)中提供了一種獲取頁(yè)面關(guān)鍵詞的方法，該方法是根據(jù)WEB頁(yè)面標(biāo)題詞根在頁(yè)面中的詞頻確定關(guān)鍵詞，具體過(guò)程如圖l所示，包括101，獲取WEB頁(yè)面標(biāo)題；102，對(duì)所述WEB頁(yè)面標(biāo)題進(jìn)行分詞，得到標(biāo)題詞條的集合；103，統(tǒng)計(jì)所述各標(biāo)題詞條在所述頁(yè)面中出現(xiàn)的次數(shù)；104,根據(jù)各標(biāo)題詞條在所述WEB頁(yè)面中出現(xiàn)的次數(shù)，選擇其中出現(xiàn)次數(shù)多的標(biāo)題詞條作為所述WEB頁(yè)面的關(guān)鍵詞，在具體實(shí)現(xiàn)時(shí)可采用一次數(shù)閾值，當(dāng)所述標(biāo)題詞條的出現(xiàn)次數(shù)達(dá)到該次數(shù)閾值時(shí)，則確定以該標(biāo)題詞條作為WEB頁(yè)面的關(guān)M:詞。由于現(xiàn)有技術(shù)獲取頁(yè)面關(guān)鍵詞時(shí)，只考慮頁(yè)面標(biāo)題中的詞條，而頁(yè)面標(biāo)題不能完全覆蓋WEB頁(yè)面的內(nèi)容情況，因此，現(xiàn)有技術(shù)獲取頁(yè)面關(guān)鍵詞具有局限性，獲取頁(yè)面關(guān)鍵詞的準(zhǔn)確度較低。
發(fā)明內(nèi)容本發(fā)明實(shí)施例所要解決的技術(shù)問(wèn)題在于，提供了一種獲取頁(yè)面關(guān)鍵:詞的方法以及一種頁(yè)面信息處理裝置，可提高獲取WEB頁(yè)面關(guān)鍵詞的準(zhǔn)確度。為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提出了一種獲取頁(yè)面關(guān)鍵詞的方法，包括獲取WEB頁(yè)面中的關(guān)鍵文本；對(duì)所述關(guān)鍵文本進(jìn)行分詞處理，得到所述關(guān)鍵文本的詞條；將與預(yù)定義詞庫(kù)中預(yù)定義詞條匹配的所述關(guān)鍵文本的詞條確定為所述WEB頁(yè)面的關(guān)鍵詞。相應(yīng)地，本發(fā)明實(shí)施例還提供了一種頁(yè)面信息處理裝置，包括存儲(chǔ)單元，存儲(chǔ)預(yù)定義詞條集合，該預(yù)定義詞條集合形成預(yù)定義詞庫(kù)；獲取單元，獲取WEB頁(yè)面中的關(guān)鍵文本；分詞處理單元，對(duì)所述關(guān)鍵文本進(jìn)行分詞處理，得到所述關(guān)鍵文本的詞條；確定單元，將與所述預(yù)定義詞庫(kù)中預(yù)定義詞條匹配的所述關(guān)鍵文本的詞條確定為所述WEB頁(yè)面的關(guān)^f建詞。本發(fā)明實(shí)施例通過(guò)對(duì)獲取WEB頁(yè)面中的關(guān)鍵文本進(jìn)行分詞處理，得到關(guān)鍵文本的詞條，并將與所述預(yù)定義詞庫(kù)中預(yù)定義詞條匹配的所述關(guān)鍵文本的詞條確定為所述WEB頁(yè)面的關(guān)鍵詞，從而全方位考慮WEB頁(yè)面的主要內(nèi)容，提高獲取WEB頁(yè)面關(guān)鍵詞的準(zhǔn)確度。圖1是現(xiàn)有技術(shù)的獲取頁(yè)面關(guān)鍵詞的方法的流程圖；圖2是本發(fā)明的獲取頁(yè)面關(guān)鍵詞的方法的第一實(shí)施例示意圖；圖3是本發(fā)明的獲取頁(yè)面關(guān)鍵詞的方法的第二實(shí)施例示意圖；圖4是本發(fā)明的獲取頁(yè)面關(guān)鍵詞的方法的第二實(shí)施例中305的具體流程圖;圖5是本發(fā)明的頁(yè)面信息處理裝置的第一實(shí)施例示意圖；圖6是本發(fā)明的頁(yè)面信息處理裝置的第二實(shí)施例示意圖。具體實(shí)施方式本發(fā)明實(shí)施例提供了一種獲取頁(yè)面關(guān)鍵詞的方法以及頁(yè)面信息處理裝置，可實(shí)現(xiàn)在獲取WEB頁(yè)面關(guān)鍵詞時(shí)，綜合考慮WEB頁(yè)面中的關(guān)鍵文本、預(yù)定義詞條，可全方位考慮WEB頁(yè)面的主要內(nèi)容，提高獲取WEB頁(yè)面關(guān)鍵詞的準(zhǔn)確度。下面結(jié)合附圖，對(duì)本發(fā)明實(shí)施例進(jìn)行詳細(xì)說(shuō)明。圖2是本發(fā)明的獲取頁(yè)面關(guān)鍵詞的方法的第一實(shí)施例示意圖，該方法中提供了預(yù)定義詞庫(kù)，該預(yù)定義詞庫(kù)保存了預(yù)定義詞條的集合，該方法主要包括201，獲取WEB頁(yè)面中的關(guān)鍵文本，具體可通過(guò)首先對(duì)WEB頁(yè)面是否為HTML頁(yè)面進(jìn)行判斷，并對(duì)其中的標(biāo)簽內(nèi)容或閉合標(biāo)簽內(nèi)容進(jìn)行提取，之后可對(duì)提取的標(biāo)簽內(nèi)容或閉合標(biāo)簽內(nèi)容進(jìn)行解碼，從而得到WEB頁(yè)面的關(guān)鍵文本；202,對(duì)所述關(guān)鍵文本進(jìn)行分詞操作，得到所述關(guān)鍵文本的詞條，這部分流程可用任何現(xiàn)有技術(shù)的分詞手段來(lái)實(shí)現(xiàn)；203,將與預(yù)定義詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條確定為所述WEB頁(yè)面的關(guān)鍵詞，匹配關(guān)系可以是所述預(yù)定義詞條與所述分詞所得詞條相同，但不僅限于此。實(shí)施如圖2所示的本發(fā)明的獲取頁(yè)面關(guān)鍵詞的方法的第一實(shí)施例，通過(guò)對(duì)獲取WEB頁(yè)面中的關(guān)鍵文本進(jìn)行分詞處理，得到關(guān)鍵文本的詞條，并將與所述預(yù)定義詞庫(kù)中預(yù)定義詞條匹配的所述關(guān)鍵文本的詞條確定為所述WEB頁(yè)面的關(guān)鍵詞，從而全方位考慮WEB頁(yè)面的主要內(nèi)容，提高獲取WEB頁(yè)面關(guān)鍵詞的準(zhǔn)確度。本發(fā)明實(shí)施例還提供了另外一種獲取頁(yè)面關(guān)鍵詞的方法，如下描述圖3是本發(fā)明的獲取頁(yè)面關(guān)鍵詞的方法的第二實(shí)施例示意圖，參照該圖，該方法主要包括301,獲取WEB頁(yè)面，具體可通過(guò)網(wǎng)絡(luò)爬蟲(chóng)等技術(shù)獲取互連網(wǎng)上的WEB頁(yè)面；302,判斷所述WEB頁(yè)面是否為HTML頁(yè)面，若是，則提取所述WEB頁(yè)面部分標(biāo)簽內(nèi)容，比如標(biāo)題標(biāo)簽、主體標(biāo)簽等標(biāo)簽的內(nèi)容；否則，提取所述WEB頁(yè)面所有閉合標(biāo)簽內(nèi)容，其中要說(shuō)明的是，當(dāng)所述WEB頁(yè)面為HTML頁(yè)面且當(dāng)該WEB頁(yè)面中沒(méi)有標(biāo)簽內(nèi)容時(shí)，仍提取該WEB頁(yè)面所有閉合標(biāo)簽內(nèi)容。在實(shí)際應(yīng)用中，由前面表1所示的HTML頁(yè)面的一般格式可知，HTML標(biāo)簽主要由兩組標(biāo)簽構(gòu)成，一個(gè)是〈headx/head〉標(biāo)簽，另一個(gè)是〈bodyx/body〉標(biāo)簽。下面介紹HTML頁(yè)面的各類(lèi)標(biāo)簽的具體內(nèi)容在本發(fā)明技術(shù)方案中是否需要提取，參照下表2的內(nèi)容標(biāo)簽所屬內(nèi)容是否需要提取備注<SCRIPTLANGUAGE="JavaScript"></SCRIPT〉<head>~</head>OR<body>~</body>嵌入的腳本否，去除<!——><hcad></h6ad>OR<body>~</body>注釋否，去除/承承/<head>~</head〉OR<body></body>注釋否，去除<style>~</style><head>~</head>OR<body></body>css樣式表否，去除<link〉標(biāo)簽<head>~</head>OR<body></body>----否，去除<noscript>~</noscript〉<head>~</head>OR<body>~</body>----否，去除〈li〉標(biāo)簽<head>~</head>OR<body>~</body>----是，提取不排除該標(biāo)簽內(nèi)也含有重要信息的可能〈td〉標(biāo)簽<h6ad></h6ad>OR<body></body>----是，提取不排除該標(biāo)簽內(nèi)也含有重要信息的可能〈div〉標(biāo)簽<head></head>OR<body>~</body>----是，提取不排除該標(biāo)簽內(nèi)也含有重要信息的可能<table>tableseeoriginaldocumentpage10</column></row><table>表2根據(jù)上表2所示內(nèi)容，需要進(jìn)行所述提取的WEB標(biāo)簽內(nèi)容包括但不僅限于:A、〈headx/head〉標(biāo)簽之間需要提取的內(nèi)容al、〈titlex/title〉標(biāo)簽之間的內(nèi)容，此部分的內(nèi)容為WEB頁(yè)面標(biāo)題內(nèi)容，可顯示于瀏覽器標(biāo)題欄位置；a2、〈meta〉標(biāo)簽中的內(nèi)容，例如<metaname="description"content="CSDN安全頻道，V〉<metacontent="殺毒，安全，軟件加密解密，DRM,軟件安全，，name=，，keywords，7>此部分內(nèi)容用于描述WEB頁(yè)面的內(nèi)容，可包括便于搜索引擎搜索的關(guān)鍵詞；B、〈bodyx/body〉標(biāo)簽之間需要提取的內(nèi)容bl、〈hxx/hx〉標(biāo)簽之間的內(nèi)容，此部分內(nèi)容為小標(biāo)題、圖片格式的標(biāo)題等，其中標(biāo)簽之間的內(nèi)容字體大小與x有關(guān)(x=l,2，3，4，5,6，x越小，字體越大)，這種標(biāo)簽使用的場(chǎng)合很多，不僅僅是WEB頁(yè)面中一些需要提取的信息的小標(biāo)題采用了這種標(biāo)簽，某些"特別推薦"、"用戶(hù)評(píng)論"等標(biāo)題或者一些圖片格式的標(biāo)題也會(huì)使用這種標(biāo)簽；b2、〈px/p〉標(biāo)簽之間的內(nèi)容，此部分內(nèi)容為WEB頁(yè)面顯示的主要內(nèi)容，而〈px/p〉標(biāo)簽一般嵌套在〈divx/div〉標(biāo)簽之中，該WEB頁(yè)面顯示的主要內(nèi)容的'J、標(biāo)題有時(shí)存在于〈px/p〉標(biāo)簽中的〈strongx/strong〉標(biāo)簽之間；b3、〈bx/b〉標(biāo)簽之間的內(nèi)容，此部分也可關(guān)系到WEB頁(yè)面中的內(nèi)容；需要說(shuō)明的是，〈bodyx/body^示簽可存在標(biāo)簽嵌套使用的情況，甚至有多層嵌套的情況，因此，對(duì)于從一組標(biāo)簽中提取的內(nèi)容，還需要多次判斷是否在該標(biāo)簽之間的內(nèi)容中還嵌套有別的標(biāo)簽，若存在其他標(biāo)簽，則去除這些標(biāo)簽，保證最后提取的標(biāo)簽內(nèi)容中不存在HTML標(biāo)簽；才艮據(jù)上表2中情況，在實(shí)際應(yīng)用中，<li>、<td>、〈div〉標(biāo)簽中的內(nèi)容在某些情況下，也可作為重要信息進(jìn)行提??；另外，在對(duì)〈headx/head〉標(biāo)簽之間的內(nèi)容進(jìn)行提取的同時(shí)，也可以提取在〈headx/head〉標(biāo)簽之間的內(nèi)容中<metahttp-equiv="Content-Type"content="text/html;charset:gb2312，7〉標(biāo)簽內(nèi)容，該標(biāo)簽的charset屬性指定了頁(yè)面的編碼方式,提取的〈metahttp-equiv="Content-Type"content="text/html;charset:gb2312"/〉標(biāo)簽內(nèi)容可用于在下面描述的解碼之中(可參照所述編碼方式解碼)，WEB頁(yè)面中比較常見(jiàn)的中文編碼方式有GB2312、UTF-8、ISO-8859三種編碼方式，但不僅限于此；303,對(duì)J02中提取的WEB頁(yè)面標(biāo)簽內(nèi)容/全部閉合標(biāo)簽內(nèi)容進(jìn)行解碼處理，得到WEB頁(yè)面的關(guān)鍵文本，其中，解碼處理可參照所述〈metahttp-equiv="Content-Type"content="text/html;charset二gb2312，7〉標(biāo)簽內(nèi)容中charset屬性指示的編碼方式進(jìn)行解碼，也可以通過(guò)從多種解碼方式中選擇一個(gè)適配的解碼方式進(jìn)行解碼；304,對(duì)所述WEB頁(yè)面的關(guān)鍵文本進(jìn)行分詞操作，得到所述關(guān)鍵文本的詞條，分詞操作可通過(guò)多種方式實(shí)現(xiàn)，比如通過(guò)遍歷的方式，按照讀寫(xiě)順序遍歷所述關(guān)鍵文本的每個(gè)字符，在每次遍歷過(guò)程中，將當(dāng)前字符作為一個(gè)詞條進(jìn)行保存，在該詞條基礎(chǔ)上追加下一個(gè)字符作為另一個(gè)詞條進(jìn)行保存，從而得到所述關(guān)4建文本的詞條；305，根據(jù)預(yù)定義詞庫(kù)中每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的貢獻(xiàn)度量標(biāo)準(zhǔn)確定所述WEB頁(yè)面的頁(yè)面類(lèi)別；所述預(yù)定義詞庫(kù)中收錄了能夠代表某個(gè)頁(yè)面類(lèi)別的預(yù)定義詞條集合，當(dāng)有多個(gè)頁(yè)面類(lèi)別時(shí)，可在預(yù)定義詞庫(kù)中為每個(gè)頁(yè)面類(lèi)別建立對(duì)應(yīng)的一個(gè)子詞庫(kù)，且對(duì)每個(gè)子詞庫(kù)中的預(yù)定義詞條分配有指示對(duì)頁(yè)面類(lèi)別貢獻(xiàn)作用的貢獻(xiàn)度量標(biāo)準(zhǔn)，所述貢獻(xiàn)度量標(biāo)準(zhǔn)可為權(quán)重值或積分值等，本實(shí)施方式以權(quán)重值為例進(jìn)行說(shuō)明。所述預(yù)定義詞庫(kù)中的子詞庫(kù)的建立有如下方法第一種是人工建立的方法，該方法需要在子詞庫(kù)中人工收錄各種符合上述要求的預(yù)定義詞條，并隨后為各預(yù)定義詞條分配指示對(duì)該子詞庫(kù)對(duì)應(yīng)頁(yè)面類(lèi)別貢獻(xiàn)作用的權(quán)重值；第二種是機(jī)器訓(xùn)練的方法，該方法需要從一批確定頁(yè)面類(lèi)別的HTML頁(yè)面中提取預(yù)定義詞條，可通過(guò)程序控制，首先確定一批屬于同一類(lèi)別的HTML頁(yè)面樣本，從這些樣本中提取關(guān)鍵文本，然后對(duì)提取的關(guān)鍵文本進(jìn)行分詞操作，分詞結(jié)束后統(tǒng)計(jì)分詞處理所得關(guān)鍵文本的詞條的詞頻，將其中詞頻較高的關(guān)鍵文本的詞條劃歸到所屬頁(yè)面類(lèi)別的子詞庫(kù)中，即預(yù)定義詞條，之后可將所述劃歸的預(yù)定義詞條的詞頻簡(jiǎn)化為該預(yù)定義詞條對(duì)應(yīng)的權(quán)重值；同時(shí)，由于一些沒(méi)有具體意義而經(jīng)常出現(xiàn)的詞條被統(tǒng)計(jì)的頻率較高，從而導(dǎo)致預(yù)定義詞庫(kù)準(zhǔn)確性大大降低，因此預(yù)定義詞庫(kù)需要對(duì)一些沒(méi)有具體意義而經(jīng)常出現(xiàn)的詞條，如"的"、"了"、代詞、擬聲詞等做屏蔽或其他類(lèi)似處理，不以其作為預(yù)定義詞條。內(nèi)容等進(jìn)行確定，例如當(dāng)頁(yè)面類(lèi)別為新聞?lì)悤r(shí)，可定義新聞?lì)愴?yè)面的預(yù)定義詞條為時(shí)事、政治、股票等，當(dāng)頁(yè)面中文本內(nèi)容將涉及奧運(yùn)，則可定義奧運(yùn)相關(guān)文本內(nèi)容的預(yù)定義詞條為福娃、北京、鳥(niǎo)巢等，預(yù)定義詞條可根據(jù)實(shí)際情況選擇確定，不僅限于此。306，將所述WEB頁(yè)面的頁(yè)面類(lèi)別對(duì)應(yīng)的子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條確定為所述WEB頁(yè)面的關(guān)4定詞，在具體實(shí)現(xiàn)時(shí)，當(dāng)確定了WEB頁(yè)面類(lèi)別后，所述關(guān)鍵文本的詞條為該WEB頁(yè)面類(lèi)別下屬的預(yù)定義詞條，則以該預(yù)定義詞條作為WEB頁(yè)面的關(guān)4建詞。具體地，根據(jù)上述說(shuō)明，步驟305可包括如圖4所示的如下具體流程401、獲得每一個(gè)子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的權(quán)重值，具體地，匹配可以是所述分詞處理所得詞條與所述預(yù)定義詞條相同，或所述分詞處理所得詞條與所述預(yù)定義詞條相似度超過(guò)某個(gè)閾值；402、根據(jù)每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的權(quán)重值標(biāo)準(zhǔn)，計(jì)算該子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條的權(quán)重值之和；403、確定所述^5L重值之和最大的子詞庫(kù)所對(duì)應(yīng)的頁(yè)面類(lèi)別為所述WEB頁(yè)面的頁(yè)面類(lèi)別；本實(shí)施方式中，上述步驟401中所提及的預(yù)定義詞條的權(quán)重值為根據(jù)預(yù)定義詞條預(yù)定義詞條對(duì)頁(yè)面類(lèi)別貢獻(xiàn)作用的基本權(quán)重值。在另一實(shí)施方式中，還可以綜合考慮與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條在頁(yè)面中的位置來(lái)得到每一個(gè)子詞庫(kù)中預(yù)定義詞條權(quán)重值之和，從而得到WEB頁(yè)面類(lèi)別。具體可參照如下例的說(shuō)明，該例中WEB頁(yè)面為HTML頁(yè)面，這里引入了根據(jù)與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條在WEB頁(yè)面位置而設(shè)置的比例系數(shù)，以及預(yù)定義詞條在該HTML頁(yè)面類(lèi)別中的基本權(quán)重值在不同HTML頁(yè)面位置的預(yù)定義詞條具有不同的權(quán)重值，這種設(shè)計(jì)依據(jù)HTML頁(yè)面一般的設(shè)計(jì)原理，具體地，可按照描述(description),關(guān)鍵字(keywords)、標(biāo)題(title)、副標(biāo)題(subtitle)、內(nèi)容(content)分為五個(gè)部分來(lái)判斷其位置，由于HTML頁(yè)面中的元標(biāo)簽〈meta〉中的description和keywords主要標(biāo)明該站點(diǎn)或該HTML頁(yè)面所描述的主要內(nèi)容，title為該HTML頁(yè)面的標(biāo)題，subtitle為該HTML頁(yè)面的副標(biāo)題，content則是HTML頁(yè)面所描述的具體內(nèi)容，不同HTML頁(yè)面位置的預(yù)定義詞條的權(quán)重值目前根據(jù)經(jīng)驗(yàn)判斷，description和keywords字段的比例系數(shù)各為20%,title為40%，subtitle和content各為10%，這些比例系數(shù)是根據(jù)多次實(shí)驗(yàn)總結(jié)而來(lái)，當(dāng)然也可以在多次不斷實(shí)驗(yàn)中調(diào)整該比例系數(shù)。下面是一個(gè)HTML頁(yè)面的〈head〉標(biāo)簽部分內(nèi)容<HTMI><HEAD><METAhttp-equiv="Content-Type"content="text/html;charset=UTF-8"/〉<title>華為</title><linkrel="SHORTCUTICON"href=7cn/images/logo.gif'/><metaname="Security"content="public"/><metaname="Robots"content="index，follow"/><metaname="DCLanguage"scheme="rfcl766"content="zh-CN"/><metaname="Huawei.Country"content="CN"/><metaname="Description"content="華為是全5求領(lǐng)先的下一代電信網(wǎng)絡(luò)解決方案供應(yīng)商，致力于向客戶(hù)提供創(chuàng)新的滿(mǎn)足其需求的產(chǎn)品、服務(wù)和解決方案，為客戶(hù)創(chuàng)造長(zhǎng)期的價(jià)值和潛在的增長(zhǎng)。華為產(chǎn)品和解決方案涵蓋移動(dòng)(HSDPA/WCDMA/EDGE/GPRS/GSM，CDMA2000lxEV-DO/CDMA2000IX,TD-SCDMA和WiMAX)、核心網(wǎng)(IMS,MobileSoftswitch,NGN)網(wǎng)絡(luò)(FTTx，xDSL，光網(wǎng)絡(luò)，路由器和LANSwitch)、電信增值業(yè)務(wù)(IN,mobiledataservice,Boss)和終端(UMTS/CDMA)等領(lǐng)域。"/><metaname="Keywords"content-"華為，基于AllIP網(wǎng)絡(luò)的FMC，移動(dòng)核心網(wǎng)，下一代網(wǎng)絡(luò)，NGN，WCDMA/HSPA，交換網(wǎng)絡(luò)，GSM,光網(wǎng)絡(luò)，CDMA2000，接入網(wǎng)，無(wú)線(xiàn)網(wǎng)絡(luò)規(guī)劃，數(shù)據(jù)通信，增值業(yè)務(wù)，視頻通信，運(yùn)營(yíng)支撐，固網(wǎng)終端，數(shù)字i某體娛樂(lè)，存儲(chǔ)與網(wǎng)絡(luò)安全，華為手機(jī)，配線(xiàn)配套產(chǎn)品，華為技術(shù)支持，華為職位招聘，華為新聞"/><LINKhref=7cn/css/wwwvi.css"rel="stylesheet"type="text/css"></HEAD>上述〈head〉標(biāo)簽內(nèi)容中包含了description,keywords、title三個(gè)有效部分(〈body〉標(biāo)簽部分未舉例，但也適用)。通過(guò)提取關(guān)鍵文本后得到如下三個(gè)字段，分別是Description:華為是全球領(lǐng)先的下一代電信網(wǎng)絡(luò)解決方案供應(yīng)商，致力于向客戶(hù)提供創(chuàng)新的滿(mǎn)足其需求的產(chǎn)品、服務(wù)和解決方案，為客戶(hù)創(chuàng)造長(zhǎng)期的價(jià)值和潛在的增長(zhǎng)。華為產(chǎn)品和解決方案涵蓋移動(dòng)(HSDPA/WCDMA/EDGE/GPRS/GSM,CDMA2000lxEV陽(yáng)DO/CDMA2000IX,TD-SCDMA和WiMAX)、核心網(wǎng)(IMS,MobileSoftswitch,NGN)網(wǎng)絡(luò)(FTTx,DSL，光網(wǎng)絡(luò)，路由器和LANSwitch)、電信增值業(yè)務(wù)(IN，mobiledataservice,Boss)和終端(UMTS/CDMA)等領(lǐng)域；Keywords:華為，基于AllIP網(wǎng)絡(luò)的FMC，移動(dòng)核心網(wǎng)，下一代網(wǎng)絡(luò)，NGN,WCDMA/HSPA,交換網(wǎng)絡(luò)，GSM，光網(wǎng)絡(luò)，CDMA2000，接入網(wǎng)，無(wú)線(xiàn)網(wǎng)絡(luò)規(guī)劃，數(shù)據(jù)通信，增值業(yè)務(wù)，視頻通信，運(yùn)營(yíng)支撐，固網(wǎng)終端，數(shù)字媒體娛樂(lè)，存儲(chǔ)與網(wǎng)絡(luò)安全，華為手機(jī)，配線(xiàn)配套產(chǎn)品，華為技術(shù)支持，華為職位招聘，華為新聞；Title:華為。結(jié)合上述關(guān)鍵文本的三個(gè)字段內(nèi)容、比例系數(shù)、基本權(quán)重值，對(duì)上述三個(gè)字段分詞后得到的詞條就可以確定HTML頁(yè)面的頁(yè)面類(lèi)別了，例如上述實(shí)例中description字段中分詞所得的詞條"華為"出現(xiàn)了2次，在keywords字段中分詞所得的詞條"華為"出現(xiàn)了5次，在title字段中分詞所得的詞條"華為"出現(xiàn)了1次，而"華為"在頁(yè)面類(lèi)別為7>司類(lèi)(該類(lèi)別下具有"華為"這個(gè)預(yù)定義詞條)的基本權(quán)重值為rl,在頁(yè)面類(lèi)別為娛樂(lè)類(lèi)的基本權(quán)重值為r2,所以"華為，，在公司類(lèi)的權(quán)重值為[(2x20%xrl+5x20%xrl+lx40%xrl)+(2+5+1)],而"華為，，在娛樂(lè)類(lèi)的權(quán)重值為[(2x20%xr2+5x20%xr2+lx40%xr2)+(2+5+1)],同樣，其他預(yù)定義詞條的權(quán)重計(jì)算原理一樣。實(shí)施如圖3所示的本發(fā)明的獲取頁(yè)面關(guān)4建詞的方法的第二實(shí)施例，通過(guò)獲取WEB頁(yè)面，并判斷所述WEB頁(yè)面是否為HTML頁(yè)面進(jìn)行相應(yīng)標(biāo)簽內(nèi)容或閉合標(biāo)簽內(nèi)容的提取，然后對(duì)提取的WEB頁(yè)面標(biāo)簽內(nèi)容/全部閉合標(biāo)簽內(nèi)容進(jìn)行解碼處理，得到關(guān)鍵文本，對(duì)獲取WEB頁(yè)面中的關(guān)鍵文本進(jìn)行分詞處理，得到關(guān)鍵文本的詞條，根據(jù)預(yù)定義詞庫(kù)中每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的貢獻(xiàn)度量標(biāo)準(zhǔn)確定所述WEB頁(yè)面的頁(yè)面類(lèi)別，將所述WEB頁(yè)面的頁(yè)面類(lèi)別對(duì)應(yīng)的子詞庫(kù)中與所述關(guān)4建文本的詞條匹配的預(yù)定義詞條確定為所述WEB頁(yè)面的關(guān)鍵詞，從而全方位考慮WEB頁(yè)面的主要內(nèi)容，提高獲取WEB頁(yè)面關(guān)鍵詞的準(zhǔn)確度，由于考慮到WEB頁(yè)面的頁(yè)面類(lèi)別，因此可更加準(zhǔn)確的獲取WEB頁(yè)面的關(guān)4建詞。相應(yīng)地，下面對(duì)本發(fā)明實(shí)施例的頁(yè)面信息處理裝置進(jìn)^S兌明。圖5是本發(fā)明的頁(yè)面信息處理裝置的第一實(shí)施例示意圖，如圖5所示，主要包括存儲(chǔ)單元51、獲取單元52、分詞處理單元53、確定單元54,其中各單元連接關(guān)系及功能如下述獲取單元52與分詞處理單元53相連，存儲(chǔ)單元51、分詞處理單元53分別與確定單元54相連；存儲(chǔ)單元51,用于存儲(chǔ)預(yù)定義詞條集合，該預(yù)定義詞條集合形成預(yù)定義詞庫(kù)；獲取單元52，用于獲取WEB頁(yè)面中的關(guān)鍵文本，具體可通過(guò)首先對(duì)WEB頁(yè)面是否為HTML頁(yè)面進(jìn)行判斷，并對(duì)其中的標(biāo)簽內(nèi)容或閉合標(biāo)簽內(nèi)容進(jìn)行提取，之后可對(duì)提取的標(biāo)簽內(nèi)容或閉合標(biāo)簽內(nèi)容進(jìn)行解碼，從而得到WEB頁(yè)面的關(guān)鍵文本；分詞處理單元53,用于對(duì)所述關(guān)鍵文本進(jìn)行分詞處理，得到所述關(guān)鍵文本的詞條，這部分功能可用任何現(xiàn)有技術(shù)的分詞手段來(lái)實(shí)現(xiàn)；確定單元54,用于將所述預(yù)定義詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條確定為所述WEB頁(yè)面的關(guān)鍵詞，匹配關(guān)系可以是所述預(yù)定義詞條與所述分詞所得詞條相同，但不僅限于此。實(shí)施如圖5所示的本發(fā)明的頁(yè)面關(guān)4定詞獲取裝置的第一實(shí)施例，通過(guò)分詞處理單元53對(duì)獲取單元52獲取到的WEB頁(yè)面中的關(guān)鍵文本進(jìn)行分詞處理，得到關(guān)鍵文本的詞條，并由確定單元54將與所述預(yù)定義詞庫(kù)中預(yù)定義詞條匹配的所述關(guān)鍵文本的詞條確定為所述WEB頁(yè)面的關(guān)鍵詞，從而全方位考慮WEB頁(yè)面的主要內(nèi)容，提高獲取WEB頁(yè)面關(guān)鍵詞的準(zhǔn)確度。圖6是本發(fā)明的頁(yè)面信息處理裝置的第二實(shí)施例示意圖，參照該圖，該裝置主要包括導(dǎo)入單元61、獲取單元62、分詞處理單元63、確定單元64、存儲(chǔ)單元65,其中確定單元64包括類(lèi)別確定單元641、關(guān)4定詞確定單元642，其中獲取單元62包括判斷單元621、提取單元622、解碼單元623，各單元之間連接關(guān)系及功能如下述導(dǎo)入單元61與獲取單元62相連，獲取單元62、確定單元64分別與分詞處理單元63相連，確定單元64與存儲(chǔ)單元65相連，類(lèi)別確定單元641與關(guān)鍵詞確定單元642相連，判斷單元621、解碼單元623分別與提取單元622相連；導(dǎo)入單元61,用于導(dǎo)入WEB頁(yè)面，具體可通過(guò)網(wǎng)絡(luò)爬蟲(chóng)等技術(shù)獲取互連網(wǎng)上的WEB頁(yè)面并將該WEB頁(yè)面導(dǎo)入；判斷單元621，用于判斷所述WEB頁(yè)面是否為HTML頁(yè)面；提取單元622,用于當(dāng)判斷單元621判斷所述WEB頁(yè)面為HTML頁(yè)面時(shí)，提取所述WEB頁(yè)面標(biāo)簽內(nèi)容，當(dāng)判斷單元621判斷為WEB頁(yè)面為非HTML頁(yè)面時(shí)，提取所述WEB頁(yè)面閉合標(biāo)簽內(nèi)容，其中要說(shuō)明的是，當(dāng)所述WEB頁(yè)面為HTML頁(yè)面且當(dāng)該WEB頁(yè)面中沒(méi)有標(biāo)簽內(nèi)容時(shí)，仍提取該WEB頁(yè)面閉合標(biāo)簽內(nèi)容，如〈bodyx/body〉標(biāo)簽之間的內(nèi)容；在實(shí)際應(yīng)用中，由前面表1所示的HTML頁(yè)面的一般格式可知，HTML標(biāo)簽主要由兩組標(biāo)簽構(gòu)成，一個(gè)是〈headx/head〉標(biāo)簽，另一個(gè)是〈bodyx/body〉標(biāo)簽。為了能更形象地說(shuō)明所述HTML頁(yè)面標(biāo)簽內(nèi)容的提取過(guò)程，先詳細(xì)介紹一下HTML頁(yè)面的各類(lèi)標(biāo)簽的具體內(nèi)容在本發(fā)明技術(shù)方案中是否需要提取并轉(zhuǎn)化成為所述關(guān)鍵文本，具體可參照上表2的內(nèi)容，其中，需要進(jìn)行所述提取的WEB標(biāo)簽內(nèi)容包括但不僅限于A、〈headx/head〉標(biāo)簽之間需要提取的內(nèi)容al、〈titlex/title〉標(biāo)簽之間的內(nèi)容，此部分的內(nèi)容為WEB頁(yè)面標(biāo)題內(nèi)容，可顯示于WEB頁(yè)面標(biāo)題欄位置；a2、<metaname=，，description，，content=，，CSDN安全頻道，V〉<metacontent="殺毒，安全，軟件加密解密，DRM,軟件安全"name=，，keywords，7>此部分內(nèi)容用于描述WEB頁(yè)面的內(nèi)容，可包括便于搜索引擎搜索的關(guān)鍵詞；B、〈bodyx/body〉標(biāo)簽之間需要提取的內(nèi)容bl、〈hxx/hx〉標(biāo)簽之間的內(nèi)容，此部分內(nèi)容為小標(biāo)題、圖片格式的標(biāo)題等，其中標(biāo)簽之間的內(nèi)容字體大小與x有關(guān)(x=l，2,3,4，5,6,x越小，字體越大)，這種標(biāo)簽使用的場(chǎng)合很多，不僅僅是WEB頁(yè)面中一些需要提取的信息的小標(biāo)題采用了這種標(biāo)簽，某些"特別推薦"、"用戶(hù)評(píng)論"等標(biāo)題或者一些圖片格式的標(biāo)題也會(huì)使用這種標(biāo)簽；b2、，x/p〉標(biāo)簽之間的內(nèi)容，此部分內(nèi)容為WEB頁(yè)面顯示的主要內(nèi)容，而〈px/p〉標(biāo)簽一般嵌套在〈divx/div〉標(biāo)簽之中，該WEB頁(yè)面顯示的主要內(nèi)容的'J、標(biāo)題有時(shí)存在于〈px/p〉標(biāo)簽中的〈strongx/strong〉標(biāo)簽之間；b3、〈bx/b〉標(biāo)簽之間的內(nèi)容，此部分也可關(guān)系到WEB頁(yè)面中的內(nèi)容；需要說(shuō)明的是，〈bodyx/bod"標(biāo)簽可存在標(biāo)簽嵌套使用的情況，甚至有多層嵌套的情況，因此，對(duì)于從一組標(biāo)簽中提取的內(nèi)容，還需要多次判斷是否在該標(biāo)簽之間的內(nèi)容中還嵌套有別的標(biāo)簽，若存在其他標(biāo)簽，則去除這些標(biāo)簽，保證最后提取的標(biāo)簽內(nèi)容中不存在HTML標(biāo)簽；另外，在對(duì)〈headx/head〉標(biāo)簽之間的內(nèi)容進(jìn)行提取的同時(shí)，也可以提取在<head></head>標(biāo)簽之間的內(nèi)容中<metahttp-equiv=，，Content-Type，，contentytext/html;charset-gb2312"/〉標(biāo)簽內(nèi)容，該標(biāo)簽的charset屬性指定了頁(yè)面的編碼方式，提取的<metahttp-equiv="Content-Type"content-"text/html;charset:gb2312"/〉標(biāo)簽內(nèi)容可用于在下面描述的解碼之中(可參照所述編碼方式解碼)，WEB頁(yè)面中比l交常見(jiàn)的中文編碼方式有GB2312、UTF-8、ISO-8859三種編碼方式，但不僅限于此；解碼單元623,用于對(duì)提取單元622提取的WEB頁(yè)面標(biāo)簽內(nèi)容/全部閉合標(biāo)簽內(nèi)容進(jìn)行解碼處理，得到WEB頁(yè)面的關(guān)^I建文本，其中，解碼處理可參照所述<metahttp-equiv=，，Content-Type，，contentytext/html;charset二gb2312"/〉才示簽內(nèi)容中charset屬性指示的編碼方式進(jìn)^f亍解碼，也可以通過(guò)從多種解碼方式中選擇一個(gè)適配的解碼方式進(jìn)行解碼；分詞處理單元63，用于對(duì)所述WEB頁(yè)面的關(guān)4建文本進(jìn)行分詞操作，得到所述關(guān)鍵文本的詞條，這部分流程可用任何現(xiàn)有技術(shù)的分詞手段來(lái)實(shí)現(xiàn)；存儲(chǔ)單元65，用于存儲(chǔ)預(yù)定義詞條集合，該預(yù)定義詞條集合形成預(yù)定義詞庫(kù)，這里及下文所提到的預(yù)定義詞庫(kù)、子詞庫(kù)、預(yù)定義詞條、頁(yè)面類(lèi)別等可根據(jù)上述方法流程中描述的內(nèi)容進(jìn)行說(shuō)明，此處不再贅述；類(lèi)別確定單元641,用于根據(jù)預(yù)定義詞庫(kù)中對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的預(yù)定義詞條的貢獻(xiàn)度量標(biāo)準(zhǔn)，以及所述關(guān)鍵文本的詞條與所述預(yù)定義詞條的匹配關(guān)系，確定所述WEB頁(yè)面的頁(yè)面類(lèi)別，在具體實(shí)現(xiàn)時(shí)，所述貢獻(xiàn)度量標(biāo)準(zhǔn)可以是權(quán)重值標(biāo)準(zhǔn)(為每個(gè)預(yù)定義詞條賦予權(quán)重值)，該類(lèi)別確定單元641可包括獲得單元，獲得每一個(gè)子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)應(yīng)的權(quán)重值，具體地，匹配可以是所述分詞處理所得詞條與所述預(yù)定義統(tǒng)計(jì)單元，根據(jù)每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的權(quán)重值標(biāo)準(zhǔn)，計(jì)算該子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條的權(quán)重值之和；確定單元，確定所述權(quán)重值之和最大的子詞庫(kù)所對(duì)應(yīng)的頁(yè)面類(lèi)別為所述WEB頁(yè)面的頁(yè)面類(lèi)別；關(guān)鍵詞確定單元642，將所述確定的WEB頁(yè)面的頁(yè)面類(lèi)別下的、與所述預(yù)定義詞庫(kù)中預(yù)定義詞條匹配的所述關(guān)鍵文本的詞條作為所述WEB頁(yè)面的關(guān)鍵詞，在具體實(shí)現(xiàn)時(shí)，當(dāng)確定了WEB頁(yè)面類(lèi)別后，所述關(guān)鍵文本的詞條為該WEB頁(yè)面類(lèi)別下屬的預(yù)定義詞條，則以該預(yù)定義詞條作為WEB頁(yè)面的關(guān)鍵詞。作為一種實(shí)施方式，所述統(tǒng)計(jì)單元中可以包括有比例系數(shù)提供單元，提供每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條在所述WEB頁(yè)面的位置而設(shè)置的比例系數(shù)，所述統(tǒng)計(jì)單元根據(jù)每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的權(quán)重值標(biāo)準(zhǔn)和該比例系數(shù)計(jì)算該子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條的權(quán)重值之和，這里則表明，還可以考慮預(yù)定義詞條在頁(yè)面中的位置來(lái)得到所述權(quán)重值，從而得到WEB頁(yè)面類(lèi)別，具體可參照上述方法流程中的說(shuō)明，此處不再贅述。實(shí)施如圖6所示的本發(fā)明的頁(yè)面關(guān)4建詞獲取裝置的第二實(shí)施例，通過(guò)導(dǎo)入單元61獲取WEB頁(yè)面，并由判斷單元621判斷所述WEB頁(yè)面是否為HTML頁(yè)面進(jìn)行相應(yīng)標(biāo)簽內(nèi)容或閉合標(biāo)簽內(nèi)容的提取，然后解碼單元623對(duì)提取的WEB頁(yè)面標(biāo)簽內(nèi)容/全部閉合標(biāo)簽內(nèi)容進(jìn)行解碼處理，得到關(guān)鍵文本，分詞處理單元63對(duì)獲取WEB頁(yè)面中的關(guān)鍵文本進(jìn)行分詞處理，得到關(guān)鍵文本的詞條，類(lèi)別確定單元641根據(jù)預(yù)定義詞庫(kù)中每一子詞庫(kù)中與所述關(guān)^:文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的貢獻(xiàn)度量標(biāo)準(zhǔn)確定所述WEB頁(yè)面的頁(yè)面類(lèi)別，關(guān)4建詞確定單元642將所述WEB頁(yè)面的頁(yè)面類(lèi)別對(duì)應(yīng)的子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條確定為所述WEB頁(yè)面的關(guān)鍵詞，從而全方位考慮WEB頁(yè)面的主要內(nèi)容，提高獲取WEB頁(yè)面關(guān)鍵詞的準(zhǔn)確度，由于考慮到WEB頁(yè)面的頁(yè)面類(lèi)別，因此可更加準(zhǔn)確的獲取WEB頁(yè)面的關(guān)鍵詞。另外，本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為f茲碟、光盤(pán)、只讀存儲(chǔ)記憶體(Read-OnlyMemory,ROM)或隨機(jī)存儲(chǔ)記憶體(RadomAccessMemory,RAM)等。以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也視為本發(fā)明的保護(hù)范圍。權(quán)利要求1、一種獲取頁(yè)面關(guān)鍵詞的方法，其特征在于，包括獲取WEB頁(yè)面中的關(guān)鍵文本；對(duì)所述關(guān)鍵文本進(jìn)行分詞處理，得到所述關(guān)鍵文本的詞條；將預(yù)定義詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條確定為所述WEB頁(yè)面的關(guān)鍵詞。2、如權(quán)利要求1所述的獲取頁(yè)面關(guān)4建詞的方法，其特征在于，所述預(yù)定義詞庫(kù)包括若干子詞庫(kù)，每一子詞庫(kù)中的預(yù)定義詞條與一頁(yè)面類(lèi)別對(duì)應(yīng)且分配有指示對(duì)頁(yè)面類(lèi)別貢獻(xiàn)作用的貢獻(xiàn)度量標(biāo)準(zhǔn)，所述將預(yù)定義詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條確定為所述WEB頁(yè)面的關(guān)鍵詞步驟包括根據(jù)每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的貢獻(xiàn)度量標(biāo)準(zhǔn)確定所述WEB頁(yè)面的頁(yè)面類(lèi)別；將所述WEB頁(yè)面的頁(yè)面類(lèi)別對(duì)應(yīng)的子詞庫(kù)中與所述關(guān)4建文本的詞條匹配的預(yù)定義詞條確定為所述WEB頁(yè)面的關(guān)#:詞。3、如權(quán)利要求2所述的獲取頁(yè)面關(guān)鍵詞的方法，其特征在于，所述貢獻(xiàn)度量標(biāo)準(zhǔn)為權(quán)重值標(biāo)準(zhǔn)，所述根據(jù)每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的貢獻(xiàn)度量標(biāo)準(zhǔn)確定所述WEB頁(yè)面的頁(yè)面類(lèi)別步驟包括獲得每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的權(quán)重值標(biāo)準(zhǔn)；根據(jù)每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的權(quán)重值標(biāo)準(zhǔn)，計(jì)算該子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條的權(quán)重值之和；確定所述權(quán)重值之和最大的子詞庫(kù)所對(duì)應(yīng)的頁(yè)面類(lèi)別為所述WEB頁(yè)面的頁(yè)面類(lèi)別。4、如權(quán)利要求3所述的獲取頁(yè)面關(guān)鍵詞的方法，其特征在于，還才艮據(jù)每一子詞庫(kù)中與所述關(guān)^:文本的詞條匹配的預(yù)定義詞條在所述WEB頁(yè)面的位置而設(shè)置的比例系數(shù)，計(jì)算該子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條的權(quán)重值之和。5、如權(quán)利要求1至4中任一項(xiàng)所述的獲取頁(yè)面關(guān)4建詞的方法，其特征在于，所述獲取WEB頁(yè)面中的關(guān)鍵文本包括判斷所述WEB頁(yè)面是否為超文本標(biāo)記語(yǔ)言頁(yè)面，若是，則提取所述WEB頁(yè)面標(biāo)簽內(nèi)容/所述WEB頁(yè)面閉合標(biāo)簽內(nèi)容，否則提取所述WEB頁(yè)面閉合標(biāo)簽內(nèi)容；對(duì)所述提取的內(nèi)容進(jìn)行解碼，得到所述關(guān)鍵文本。6、一種頁(yè)面信息處理裝置，其特征在于，包括存儲(chǔ)單元，存儲(chǔ)預(yù)定義詞條集合，該預(yù)定義詞條集合形成預(yù)定義詞庫(kù)；獲取單元，獲取WEB頁(yè)面中的關(guān)鍵文本；分詞處理單元，對(duì)所述關(guān)鍵文本進(jìn)行分詞處理，得到所述關(guān)鍵文本的詞條；確定單元，將與所述預(yù)定義詞庫(kù)中預(yù)定義詞條匹配的所述關(guān)鍵文本的詞條確定為所述WEB頁(yè)面的關(guān)4建詞。7、如權(quán)利要求6所述的頁(yè)面信息處理裝置，其特征在于，所述預(yù)定義詞庫(kù)包括若干子詞庫(kù)，每一子詞庫(kù)中的預(yù)定義詞條與一頁(yè)面類(lèi)別對(duì)應(yīng)且分配有指示對(duì)頁(yè)面類(lèi)別貢獻(xiàn)作用的貢獻(xiàn)度量標(biāo)準(zhǔn)，所述確定單元包括類(lèi)別確定單元，根據(jù)每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的貢獻(xiàn)度量標(biāo)準(zhǔn)確定所述WEB頁(yè)面的頁(yè)面類(lèi)別；關(guān)鍵詞確定單元，將所述WEB頁(yè)面的頁(yè)面類(lèi)別對(duì)應(yīng)的子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條確定為所述WEB頁(yè)面的關(guān)4建詞。8、如權(quán)利要求7所述的頁(yè)面信息處理裝置，其特征在于，所述貢獻(xiàn)度量標(biāo)準(zhǔn)為權(quán)重值標(biāo)準(zhǔn)，則所述類(lèi)別確定單元包括獲得單元，獲得每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的權(quán)重值標(biāo)準(zhǔn)；統(tǒng)計(jì)單元，根據(jù)每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條及其對(duì)頁(yè)面類(lèi)別具有貢獻(xiàn)作用的權(quán)重值標(biāo)準(zhǔn)，計(jì)算該子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條的權(quán)重值之和；確定單元，確定所述權(quán)重值之和最大的子詞庫(kù)所對(duì)應(yīng)的頁(yè)面類(lèi)別為所述WEB頁(yè)面的頁(yè)面類(lèi)別。9、如權(quán)利要求8所述的頁(yè)面信息處理裝置，其特征在于，所述統(tǒng)計(jì)單元中包括有比例系數(shù)提供單元，提供每一子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條在所述WEB頁(yè)面的位置而設(shè)置的比例系數(shù)，所述統(tǒng)計(jì)單元還#4居該比例系數(shù)計(jì)算該子詞庫(kù)中與所述關(guān)鍵文本的詞條匹配的預(yù)定義詞條的權(quán)重值之和。10、如權(quán)利要求6至9中任一項(xiàng)所述的頁(yè)面信息處理裝置，其特征在于，所述獲取單元包括判斷單元，判斷所述WEB頁(yè)面是否為超文本標(biāo)記語(yǔ)言頁(yè)面；提取單元，當(dāng)判斷單元判斷得到所述WEB頁(yè)面為超文本標(biāo)記語(yǔ)言頁(yè)面時(shí)，提取所述WEB頁(yè)面標(biāo)簽內(nèi)容/所述WEB頁(yè)面閉合標(biāo)簽內(nèi)容；當(dāng)判斷單元判斷得到所述WEB頁(yè)面不為超文本標(biāo)記語(yǔ)言頁(yè)面時(shí)，提取所述WEB頁(yè)面閉合標(biāo)簽內(nèi)容；解碼單元，對(duì)所述提取的內(nèi)容進(jìn)行解碼，得到所述關(guān)鍵文本。全文摘要本發(fā)明公開(kāi)了一種獲取頁(yè)面關(guān)鍵詞的方法，通過(guò)對(duì)獲取WEB頁(yè)面中的關(guān)鍵文本進(jìn)行分詞處理，得到所述關(guān)鍵文本的詞條，并將與預(yù)定義詞庫(kù)中預(yù)定義詞條匹配的所述關(guān)鍵文本的詞條確定為所述WEB頁(yè)面的關(guān)鍵詞。本發(fā)明還公開(kāi)了一種頁(yè)面信息處理裝置。采用本發(fā)明，可全方位考慮WEB頁(yè)面的主要內(nèi)容，提高獲取WEB頁(yè)面關(guān)鍵詞的準(zhǔn)確度，且簡(jiǎn)單易行。文檔編號(hào)G06F17/30GK101216842SQ200810025660公開(kāi)日2008年7月9日申請(qǐng)日期2008年1月7日優(yōu)先權(quán)日2008年1月7日發(fā)明者丁一鳴,劉利鋒,斐唐,宇雷申請(qǐng)人:華為技術(shù)有限公司