CN105808566A - 一种基于搜索词从网页中提取摘要的方法和装置 - Google Patents
一种基于搜索词从网页中提取摘要的方法和装置 Download PDFInfo
- Publication number
- CN105808566A CN105808566A CN201410844189.2A CN201410844189A CN105808566A CN 105808566 A CN105808566 A CN 105808566A CN 201410844189 A CN201410844189 A CN 201410844189A CN 105808566 A CN105808566 A CN 105808566A
- Authority
- CN
- China
- Prior art keywords
- word
- coupling
- text
- web page
- webpage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于搜索词从网页中提取摘要的方法和装置,该方法包括:基于原始搜索词衍生出一个或多个匹配词;对于一个网页,从该网页文本中查找出各个匹配词;基于查找出各个匹配词,从该网页文本中提取摘要。本发明提供的技术方案通过在网页文本中查找搜索词衍生出的匹配词,完成了根据搜索词从网页文本中提取摘要的过程和对应的装置,基于该过程和装置,为用户提供搜索摘要服务。本方案基于搜索词提取摘要,将摘要与搜索词进行关联,克服了现有技术中摘要独立于搜索词的问题,在用户进行搜索时,为用户提供更加直观、准确、关联性强的搜索摘要,使用户可以快速有效地找到需要的网页,满足搜索需求。
Description
技术领域
本发明涉及网络搜索技术领域,具体涉及一种基于搜索词从网页中提取摘要的方法和装置。
背景技术
随着互联网技术的迅猛发展,网络已经成为人们获得信息的重要途径和手段,网络中的海量信息既给人们带来了方便,也带来了许多问题,为了找到有用信息,人们经常要花费大量的时间去搜索、浏览和查找,因此近年来搜索引擎所提供的各种搜索服务越来越引起人们的关注,其中,搜索摘要服务将各网页的摘要显示在搜索结果的窗口中,使得用户无需打开网页就能一目了然该网页是否符合搜索需求。
现有技术中,搜索引擎所提供的搜索摘要服务大多是基于静态方式生成搜索摘要,即搜索摘要独立于查询,按照某种规则,事先在预处理阶段从网页内容中提取出一些文字。例如,截取网页正文的开头160个字节(对应80个汉字),或者,将每一个段落的第一个句子拼起来等。这样形成的摘要存放在查询子***中,一旦相关网页的文档被选中与查询项匹配,就将预存的摘要展示给用户。显然,这种方式对搜索引擎来说是最轻松的,无需做其他的处理工作。但这种方式最大的缺点是:提供的摘要与用户输入的搜索词无关,不满足用户的搜索需求。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于搜索词从网页中提取摘要的方法和装置。
依据本发明的一个方面,提供了一种基于搜索词从网页中提取摘要的方法,该方法包括:
基于原始搜索词衍生出一个或多个匹配词;
对于一个网页,从该网页文本中查找出各个匹配词;
基于查找出各个匹配词,从该网页文本中提取摘要。
可选地,所述基于原始搜索词衍生出一个或多个匹配词包括如下中的一项或多项:
原始搜索词本身;
对原始搜索词进行分词处理得到的各词;
原始搜索词以及对原始搜索词进行分词处理得到的各词的同义词和/或纠错词;
将原始搜索词进行分词处理得到的各词中的连续的两个词合并得到的词;
将原始搜索词进行分词处理得到的各词中的连续的三个词合并得到的词;
将原始搜索词进行分词处理得到的各词中的间隔一个词的两个词合并得到的词;
原始搜索词中的各个字,以及其中的连续两个和连续三个字;
对原始搜索词进行归一化后得到的词。
可选地,所述对于一个网页,从该网页文本中查找出各个匹配词,以及所述基于查找出各个匹配词,从该网页文本中提取摘要包括:
将所述一个或多个匹配词添加到AC自动机中;
由AC自动机根据所述一个或多个匹配词,从该网页文本中提取摘要。
可选地,所述基于查找出各个匹配词,从该网页文本中提取摘要包括:
基于各个匹配词的位置,采用滑动窗口机制从该网页文本中提取多个文本段;
从所述多个文本段中选择一段作为该网页的摘要。
可选地,所述基于各个匹配词的位置,采用滑动窗口机制从该网页的网页文本中提取多个文本段包括:
滑动窗口从网页文本的起始位置开始逐字向后滑动,每滑动到一个匹配词的起始位置截取滑动窗口大小的一段文本;
其中,所述滑动窗口的大小在预设范围内可调,每次截取的文本以一个匹配词开始,并以一个匹配词结束。
可选地,该方法进一步包括:
在每次截取前,进一步对滑动窗口的位置进行修正,以保证截取的文本语义通顺。
可选地,所述在每次截取前,进一步对滑动窗口的位置进行修正包括:
从窗口起始位置的匹配词开始向前移动,如果遇到上一个匹配词则停止移动,判断从窗口起始位置的匹配词和上一个匹配词之间是否存在句首,如果存在则将窗口起始位置修正为以该句首开始,如果不存在则不对窗口起始位置进行修正;如果能够向前移动到段首,则将窗口起始位置修正为以该段首开始;
和/或,从窗口结束置的匹配词开始向后移动,如果遇到下一个匹配词或者超出窗口的最大长度则停止移动。
可选地,所述从所述多个文本段中选择一段作为该网页的摘要包括:
分别计算所述多个文本段各自的综合权值,选取综合权值最高的一段文本作为该网页的摘要。
可选地,匹配词的级别包括如下中的至少两种级别,级别从高到低依次为:
原始搜索词;
分词中的PHRASE;
两个连续分词TERM连在一起;
两个不连续分词TREM连在一起;
连续三个汉字连在一起;
分词中的TERM;
两个汉字,没有停用词;
两个汉字,有停用词;
单个汉字;
单个字符。
可选地,所述对于一个网页,从该网页文本中查找出各个匹配词,以及所述基于查找出各个匹配词,从该网页文本中提取摘要包括:
对于一个网页,从该网页对应的精简网页文本中查找出各个匹配词,以及所述基于查找出各个匹配词,从所述精简网页文本中提取摘要。
依据本发明的另一个方面,提供了一种基于搜索词从网页中提取摘要的装置,该装置包括:
匹配词生成单元,适于基于原始搜索词衍生出一个或多个匹配词;
摘要提取单元,适于对于一个网页,从该网页文本中查找出各个匹配词;以及适于基于查找出各个匹配词,从该网页文本中提取摘要。
可选地,所述基于原始搜索词衍生出的一个或多个匹配词包括如下中的一项或多项:
原始搜索词本身;
对原始搜索词进行分词处理得到的各词;
原始搜索词以及对原始搜索词进行分词处理得到的各词的同义词和/或纠错词;
将原始搜索词进行分词处理得到的各词中的连续的两个词合并得到的词;
将原始搜索词进行分词处理得到的各词中的连续的三个词合并得到的词;
将原始搜索词进行分词处理得到的各词中的间隔一个词的两个词合并得到的词;
原始搜索词中的各个字,以及其中的连续两个和连续三个字;
对原始搜索词进行归一化后得到的词。
可选地,所述摘要提取单元,适于将所述一个或多个匹配词添加到AC自动机中;由AC自动机根据所述一个或多个匹配词,从该网页文本中提取摘要。
可选地,所述摘要提取单元,适于基于各个匹配词的位置,采用滑动窗口机制从该网页文本中提取多个文本段;从所述多个文本段中选择一段作为该网页的摘要。
可选地,所述摘要提取单元,适于采用滑动窗口从网页文本的起始位置开始逐字向后滑动,每滑动到一个匹配词的起始位置截取滑动窗口大小的一段文本;
其中,所述滑动窗口的大小在预设范围内可调,每次截取的文本以一个匹配词开始,并以一个匹配词结束。
可选地,所述摘要提取单元,适于在每次截取前,进一步对滑动窗口的位置进行修正,以保证截取的文本语义通顺。
可选地,所述摘要提取单元,适于从窗口起始位置的匹配词开始向前移动,如果遇到上一个匹配词则停止移动,判断从窗口起始位置的匹配词和上一个匹配词之间是否存在句首,如果存在则将窗口起始位置修正为以该句首开始,如果不存在则不对窗口起始位置进行修正;如果能够向前移动到段首,则将窗口起始位置修正为以该段首开始;和/或,从窗口结束置的匹配词开始向后移动,如果遇到下一个匹配词或者超出窗口的最大长度则停止移动。
可选地,所述摘要提取单元,适于分别计算所述多段文本各自的综合权值,选取综合权值最高的一段文本作为该网页的摘要。
可选地,匹配词的匹配级别包括如下中的至少两种级别,级别从高到低依次为:
原始搜索词;
分词中的PHRASE;
两个连续分词TERM连在一起;
两个不连续分词TREM连在一起;
连续三个汉字连在一起;
分词中的TERM;
两个汉字,没有停用词;
两个汉字,有停用词;
单个汉字;
单个字符。
可选地,所述摘要提取单元,适于对于一个网页,从该网页对应的精简网页文本中查找出各个匹配词,以及所述基于查找出各个匹配词,从所述精简网页文本中提取摘要。
由上述可知,本发明提供的技术方案通过在网页文本中查找搜索词衍生出的匹配词,完成了根据搜索词从网页文本中提取摘要的过程和对应的装置,基于该过程和装置,为用户提供搜索摘要服务。本方案基于搜索词提取摘要,将摘要与搜索词进行关联,克服了现有技术中摘要独立于搜索词的问题,在用户进行搜索时,为用户提供更加直观、准确、关联性强的搜索摘要,使用户可以快速有效地找到需要的网页,满足搜索需求。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的一种基于搜索词从网页中提取摘要的方法的流程图;
图2示出了根据本发明一个实施例的一种线下搜集精简网页的方法的流程图;
图3示出了根据本发明一个实施例的一种基于搜索词从网页中提取摘要的装置的示意图;
图4示出了根据本发明另一个实施例的一种线下搜集精简网页的装置的示意图;
图5A示出了根据本发明一个实施例的搜索结果的示意图;
图5B示出了根据本发明另一个实施例的搜索结果的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的一种基于搜索词从网页中提取摘要的方法的流程图。如图1所示,该方法包括:
步骤S110,基于原始搜索词衍生出一个或多个匹配词。
步骤S120,对于一个网页,从该网页文本中查找出各个匹配词。
步骤S130,基于查找出各个匹配词,从该网页文本中提取摘要。
可见,图1所示的方法通过在网页文本中查找搜索词衍生出的匹配词,完成了根据搜索词从网页文本中提取摘要的过程和对应的装置,基于该过程和装置,为用户提供搜索摘要服务。本方案基于搜索词提取摘要,将摘要与搜索词进行关联,克服了现有技术中摘要独立于搜索词的问题,在用户进行搜索时,为用户提供更加直观、准确、关联性强的搜索摘要,使用户可以快速有效地找到需要的网页,满足搜索需求。
在本发明的一个实施例中,图1所示方法的步骤S110基于原始搜索词衍生出一个或多个匹配词包括如下中的一项或多项:原始搜索词本身;对原始搜索词进行分词处理得到的各词;原始搜索词以及对原始搜索词进行分词处理得到的各词的同义词和/或纠错词;将原始搜索词进行分词处理得到的各词中的连续的两个词合并得到的词;将原始搜索词进行分词处理得到的各词中的连续的三个词合并得到的词;将原始搜索词进行分词处理得到的各词中的间隔一个词的两个词合并得到的词;原始搜索词中的各个字,以及其中的连续两个和连续三个字;对原始搜索词进行归一化后得到的词。
在本发明的一个实施例中,图1所示方法的步骤S120对于一个网页,从该网页文本中查找出各个匹配词包括:采用多模匹配算法从该网页文本中查找出各个匹配词。在一个具体的实施例中为:采用多模匹配算法对各匹配词和网页文本进行匹配,从该网页文本中查找出各个匹配词。其中,可以采用多模匹配算法中的AC自动机,具体操作过程包括:将所述一个或多个匹配词添加到AC自动机中。对应地,步骤S130基于查找出各个匹配词,从该网页文本中提取摘要包括:由AC自动机根据一个或多个匹配词,从该网页文本中提取摘要。
在本发明的一个实施例中,图1所示方法的步骤S130基于查找出各个匹配词,从该网页文本中提取摘要包括:
步骤S131,基于各个匹配词的位置,采用滑动窗口机制从该网页文本中提取多个文本段。
本步骤包括:滑动窗口从网页文本的起始位置开始逐字向后滑动,每滑动到一个匹配词的起始位置截取滑动窗口大小的一段文本。其中,滑动窗口的大小在预设范围内可调,每次截取的文本以一个匹配词开始,并以一个匹配词结束。
为了保证截取的文本语义通顺,在每次截取前,进一步对滑动窗口的位置进行修正,具体包括以下过程:从窗口起始位置的匹配词开始向前移动,如果遇到上一个匹配词则停止移动,判断从窗口起始位置的匹配词和上一个匹配词之间是否存在句首,如果存在则将窗口起始位置修正为以该句首开始,如果不存在则不对窗口起始位置进行修正;如果能够向前移动到段首,则将窗口起始位置修正为以该段首开始;和/或,从窗口结束置的匹配词开始向后移动,如果遇到下一个匹配词或者超出窗口的最大长度则停止移动。
步骤S132,从多个文本段中选择一段作为该网页的摘要。
本步骤包括:分别计算多段文本各自的综合权值,选取综合权值最高的一段文本作为该网页的摘要。其中,综合权值中包含如下权值中的一项或多项:
第一权值,对应窗口长度越长,第一权值越高。第二权值,对应窗口在整个网页文本中的位置越靠前,第二权值越高。第三权值,其中的第一个匹配词离窗口起始位置越近,第三权值越高。第四权值,所包含的特殊符号越少,第四权值越高。第五权值,所包含的匹配词个数越多,第五权值越高,这里同一匹配词出现多次只算一个。第六权值,所包含的匹配词被其他窗口引用的次数越少,第六权值越高。第七权值,所包含的第一个匹配词的匹配级别越高,匹配长度越长,第七权值越高。第八权值,所包含的匹配级别最高的匹配词的匹配级别越高,第八权值越高。第九权值,所包含的匹配词的语义覆盖度越高,第九权值越高。第十权值,所包含的链接数越少,第十权值越高。第十一权值,所包含的段落个数越少,第十一权值越高。第十二权值,如果包含原始搜索词的整体语义,第十二权值越高。第十三权值,包含的垃圾信息和乱码越多,第十三权值越低。第十四权值,如果窗口的起始位置位于段首,则第十四权值越高。第十五权值,包含的内容与标题的相似度越高,第十五权值越低。
其中,匹配词的匹配级别包括如下中的至少两种级别,级别从高到低依次为:
原始搜索词;分词中的PHRASE;两个连续分词TERM连在一起;两个不连续分词TREM连在一起;连续三个汉字连在一起;分词中的TERM;两个汉字,没有停用词;两个汉字,有停用词;单个汉字;单个字符。
在本发明的一个实施例中,在从多个文本段中选择一段作为该网页的摘要后,为了便于用户直观地获知到摘要与搜索词的关联,图1所示的方法进一步包括:对于选择作为精简网页的摘要,对其中的匹配词按照一定策略进行飘红处理。在本发明的一个实施例中,该飘红处理包括如下中的一种或多种处理:
将连续的多个匹配词作为一个串进行飘红;找出匹配级别最高的匹配词,降低其前后的飘红密度,以突显该配级别最高的匹配词;当整体飘红密度大于预设阈值时,从权值低的匹配词开始去除其飘红,直到飘红密度低于预设阈值。其中,匹配词的权值由匹配词的长度、匹配级别、离前后匹配词的距离和是否为其他匹配串的子串这个四个因素中的一种或多种决定。
在本发明的一个实施例中,图1所示方法的步骤S120至步骤S130,对于一个网页,从该网页文本中查找出各个匹配词,以及所述基于查找出各个匹配词,从该网页文本中提取摘要包括:对于一个网页,从该网页对应的精简网页文本中查找出各个匹配词,以及所述基于查找出各个匹配词,从所述精简网页文本中提取摘要。
图2示出了根据本发明一个实施例的一种线下搜集精简网页的方法的流程图。如图2所示,该方法描述了在提取各网页的摘要前,在指定数据库中准备备用的精简网页的过程,该方法包括:
步骤S210,获取各原始网页。
本步骤利用网络爬虫爬取各原始网页。
步骤S220,对各原始网页进行精简,获得各精简网页。
在一个实施例中,本步骤包括:将各原始网页中JS和CSS代码去掉。
步骤S230,将各精简网页与其对应的URL对应保存到指定数据库中。
在本发明的一个实施例中,图3所示方法的步骤S320对各原始网页进行精简,获得各精简网页的过程包括如下步骤:
步骤S221,对于一个原始网页,对该网页中的HTML标签进行分类。
步骤S222,去除属于指定类别的HTML标签,保留不属于指定类别的HTML标签。
本步骤中,指定类别的HTML标签为与提供搜索摘要服务无关的标签,包括如下标签中的一种或多种:Script标签、noscript标签、iframe标签,以及单标签、注释标签和包含display:none的标签。其中,Script标签用于定义客户端脚本,如JavaScript,用于图像操作、表单验证以及动态内容更新;noscript标签用来定义在脚本未被执行时的替代内容,用于可识别Script标签但无法支持其中的脚本的浏览器;iframe元素要用于创建包含另外一个文档的内联框架(即行内框架);单标签如br标签用于***一个简单的换行符;注释标签用于在源代码中***注释;包含display:none的标签用于将网页上的某个元素隐藏起来。
步骤S223,对于不属于指定类别的HTML标签,分析其属性,保留指定的一个或多个属性。
本步骤中,HTML标签的属性在开始标签中指定,用于表示当前HTML标签的性质和特性。在一些实施例中,为了尽量精简网页内容,要跳过大部分的属性,仅保留id属性,方便查找问题。
步骤S224,将保留的HTML标签的内容转换为文本内容后放入对应的精简网页中。
在一个具体实施例中,上述步骤S221至步骤S224对各原始网页进行精简,获得各精简网页的过程可以采用状态机的方式实现,采用状态机的方式逐个分析一个原始网页中的HTML标签,该状态机包括如下状态:
初始状态:从当前位置开始逐字节进行分析,初始时当前位置为网页内容的起始位置。
标签开始状态:发现是HTML标签开始时,判断该HTML标签是否属于指定类别的HTML标签,如果是则跳过该HTML标签,转为为初始状态,如果不是则转为属性状态。
属性状态:分析该HTML标签的属性,保留指定的一个或多个属性,进入文本状态。
文本状态:将该HTML标签的保留内容转换为文本内容后放入对应的精简网页中,进入标签结束状态。
标签结束状态:发现是HTML标签结束时,进入标签结束状态,然后转为初始状态。
以此类推,直至将原始网页中的全部HTML标签分析完毕,获得最终的精简网页,与其对应的URL对应保存到指定数据库中。
以一个具体的实施例说明基于搜索词从网页中提取摘要的流程,原始搜索词为“中国人民”,基于该原始搜索词衍生出的匹配词包括:“中国人民”、“中国”、“人民”、“中”、“国”、“人”和“民”,图5A示出了根据本发明一个实施例的搜索结果的示意图,如图5A所示,该网页文本为:先秦时还没有“中国人民”这个词,当时“中国”和“人民”都是单独使用,词义也不同于今天。“中国”本意是指京城,如《诗经·大雅·民劳》云:“惠此中国,以绥四方。”毛诗传就训释为:“中国,京师也。”后来,“中国”也引申指中原地区、天下之中心等。而“人”与“民”,在先秦也是截然不同的两个概念,《说文解字》说:“人,天地之性最贵者也。”“民,众萌也。”
采用AC自动机对上述网页文本和匹配词进行多模匹配,查找出各个匹配词,基于各个匹配词的位置,采用滑动窗口机制从上述文本中提取多段文本,取滑动窗口的大小为70-90个汉字,结果如下所示,其中带有下划线的词为匹配词:
1、中国人民”这个词,当时“中国”和“人民”都是单独使用,词义也不同于今天。“中国”本意是指京城,如《诗经·大雅·民劳》云:“惠此中国,以绥四方。”毛诗传就训释为:“中国
2、中国”和“人民”都是单独使用,词义也不同于今天。“中国”本意是指京城,如《诗经·大雅·民劳》云:“惠此中国,以绥四方。”毛诗传就训释为:“中国,京师也。”后来,“中国
3、人民”都是单独使用,词义也不同于今天。“中国”本意是指京城,如《诗经·大雅·民劳》云:“惠此中国,以绥四方。”毛诗传就训释为:“中国,京师也。”后来,“中国”也引申指中
4、中国”本意是指京城,如《诗经·大雅·民劳》云:“惠此中国,以绥四方。”毛诗传就训释为:“中国,京师也。”后来,“中国”也引申指中原地区、天下之中心等。而“人”与“民
5、中国,以绥四方。”毛诗传就训释为:“中国,京师也。”后来,“中国”也引申指中原地区、天下之中心等。而“人”与“民”,在先秦也是截然不同的两个概念,《说文解字》说:“人
6、中国,京师也。”后来,“中国”也引申指中原地区、天下之中心等。而“人”与“民”,在先秦也是截然不同的两个概念,《说文解字》说:“人,天地之性最贵者也。”“民
计算上述多段文本的综合权值,得到第1段文本的综合权值最高,为了保证语义通顺,对第1段文本进行修正,将窗口起始位置修正为以原网页文本的段首开始。结果为:
先秦时还没有“中国人民”这个词,当时“中国”和“人民”都是单独使用,词义也不同于今天。“中国”本意是指京城,如《诗经·大雅·民劳》云:“惠此中国,以绥四方。”毛诗传就训释为:“中国
对上段文本的匹配词进行飘红,为了降低飘红密度提高视觉体验,将位于段尾的权值低的匹配词“中国”去掉三个飘红,得到最终的搜索摘要为:
先秦时还没有“中国人民”这个词,当时“中国”和“人民”都是单独使用,词义也不同于今天。“中国”本意是指京城,如《诗经·大雅·民劳》云:“惠此中国,以绥四方。”毛诗传就训释为:“中国
图5B示出了根据本发明另一个实施例的搜索结果的示意图,本实施例提取出摘要均显示在图5B中。
图3示出了根据本发明一个实施例的一种基于搜索词从网页中提取摘要的装置的示意图。如图3所示,该基于搜索词从网页中提取摘要的装置300包括:
匹配词生成单元310,适于基于原始搜索词衍生出一个或多个匹配词。
摘要提取单元320,适于对于一个网页,从该网页文本中查找出各个匹配词;以及适于基于查找出各个匹配词,从该网页文本中提取摘要。
可见,图3所示的装置通过各单元的相互匹配,在网页文本中查找搜索词衍生出的匹配词,完成了根据搜索词从网页文本中提取摘要的过程和对应的装置,基于该过程和装置,为用户提供搜索摘要服务。本方案基于搜索词提取摘要,将摘要与搜索词进行关联,克服了现有技术中摘要独立于搜索词的问题,在用户进行搜索时,为用户提供更加直观、准确、关联性强的搜索摘要,使用户可以快速有效地找到需要的网页,满足搜索需求。
在本发明的一个实施例中,匹配词生成单元310基于原始搜索词衍生出的一个或多个匹配词包括如下中的一项或多项:原始搜索词本身;对原始搜索词进行分词处理得到的各词;原始搜索词以及对原始搜索词进行分词处理得到的各词的同义词和/或纠错词;将原始搜索词进行分词处理得到的各词中的连续的两个词合并得到的词;将原始搜索词进行分词处理得到的各词中的连续的三个词合并得到的词;将原始搜索词进行分词处理得到的各词中的间隔一个词的两个词合并得到的词;原始搜索词中的各个字,以及其中的连续两个和连续三个字;对原始搜索词进行归一化后得到的词。
在本发明的一个实施例中,摘要提取单元320适于采用多模匹配算法根据匹配词从各网页文本中分别提取摘要内容。在一个具体的实施例中为:摘要提取单元320采用多模匹配算法对各匹配词和网页文本进行匹配,从网页文本中查找出各个匹配词。其中,可以采用多模匹配算法中的AC自动机,具体操作过程包括:摘要提取单元320将所述一个或多个匹配词添加到AC自动机中;由AC自动机根据一个或多个匹配词,从该网页文本中提取摘要
在本发明的一个实施例中,摘要提取单元320适于利用滑动窗口从网页文本的起始位置开始逐字向后滑动,每滑动到一个匹配词的起始位置截取滑动窗口大小的一段文本。其中,滑动窗口的大小在预设范围内可调,每次截取的文本以一个匹配词开始,并以一个匹配词结束。
为了保证截取的文本语义通顺,摘要提取单元320适于在每次截取前,进一步对滑动窗口的位置进行修正,具体包括以下过程:从窗口起始位置的匹配词开始向前移动,如果遇到上一个匹配词则停止移动,判断从窗口起始位置的匹配词和上一个匹配词之间是否存在句首,如果存在则将窗口起始位置修正为以该句首开始,如果不存在则不对窗口起始位置进行修正;如果能够向前移动到段首,则将窗口起始位置修正为以该段首开始;和/或,从窗口结束置的匹配词开始向后移动,如果遇到下一个匹配词或者超出窗口的最大长度则停止移动。
在本发明的一个实施例中,摘要提取单元320适于分别计算多段文本各自的综合权值,选取综合权值最高的一段文本作为该网页的摘要。其中,综合权值中包含的权值以及匹配词的匹配级别在上文中已详细说明,在此不再赘述。
在本发明的一个实施例中,在从多段文本中选择出一段作为网页的摘要后,为了便于用户直观地获知到摘要与搜索词的关联,摘要提取单元320进一步适于对于选择作为网页的摘要,对其中的匹配词按照一定策略进行飘红处理。具体的飘红处理过程在上文中已详细说明,在此不再赘述。
在一个具体的实施例中,该基于搜索词从网页中提取摘要的装置300所执行的过程在上文中图5A和图5B所在的实施例中已详细说明,在此不再赘述。
在本发明的一个实施例中,摘要提取单元320,适于对于一个网页,从该网页对应的精简网页文本中查找出各个匹配词,以及所述基于查找出各个匹配词,从所述精简网页文本中提取摘要。
图4示出了根据本发明另一个实施例的一种线下搜集精简网页的装置的示意图。如图4所示,该线下搜集精简网页的装置400完成了在提取各网页的摘要前,在指定数据库中准备备用的精简网页的过程,包括:抓取单元410和精简单元420。
抓取单元410,适于获取各原始网页。
本单元适于利用网络爬虫爬取各原始网页。
精简单元420,适于对各原始网页进行精简,获得各精简网页;以及适于将各精简网页与其对应的URL对应保存到指定数据库中。
本单元适于将各原始网页中JS和CSS代码去掉。
在本发明的一个实施例中,精简单元420适于对于一个原始网页,对该网页中的HTML标签进行分类;去除属于指定类别的HTML标签,保留不属于指定类别的HTML标签;对于不属于指定类别的HTML标签,分析其属性,保留指定的一个或多个属性;将保留的HTML标签的内容转换为文本内容后放入对应的精简网页中。其中,指定类别的HTML标签为与提供搜索摘要服务无关的标签,包括如下标签中的一种或多种:Script标签、noscript标签、iframe标签,以及单标签、注释标签和包含display:none的标签。
在本发明的一个实施例中,精简单元420适于采用状态机的方式逐个分析一个原始网页中的HTML标签,状态机的状态在前文中已详细说明,在此不再赘述。
综上所述,本发明提供的技术方案通过在网页文本中查找搜索词衍生出的匹配词,实现了根据搜索词从网页文本中提取摘要的过程和对应的装置,基于该过程和装置,为用户提供搜索摘要服务。本方案基于搜索词提取摘要,将摘要与搜索词进行关联,克服了现有技术中摘要独立于搜索词的问题,在用户进行搜索时,为用户提供更加直观、准确、关联性强的搜索摘要,使用户可以快速有效地找到需要的网页,满足搜索需求。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于搜索词从网页中提取摘要的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种基于搜索词从网页中提取摘要的方法,其中,该方法包括:
基于原始搜索词衍生出一个或多个匹配词;
对于一个网页,从该网页文本中查找出各个匹配词;
基于查找出各个匹配词,从该网页文本中提取摘要。
2.如权利要求1所述的方法,其中,所述基于原始搜索词衍生出一个或多个匹配词包括如下中的一项或多项:
原始搜索词本身;
对原始搜索词进行分词处理得到的各词;
原始搜索词以及对原始搜索词进行分词处理得到的各词的同义词和/或纠错词;
将原始搜索词进行分词处理得到的各词中的连续的两个词合并得到的词;
将原始搜索词进行分词处理得到的各词中的连续的三个词合并得到的词;
将原始搜索词进行分词处理得到的各词中的间隔一个词的两个词合并得到的词;
原始搜索词中的各个字,以及其中的连续两个和连续三个字;
对原始搜索词进行归一化后得到的词。
3.如权利要求1或2所述的方法,其中,所述对于一个网页,从该网页文本中查找出各个匹配词,以及所述基于查找出各个匹配词,从该网页文本中提取摘要包括:
将所述一个或多个匹配词添加到AC自动机中;
由AC自动机根据所述一个或多个匹配词,从该网页文本中提取摘要。
4.如权利要求1-3任一项所述的方法,其中,所述基于查找出各个匹配词,从该网页文本中提取摘要包括:
基于各个匹配词的位置,采用滑动窗口机制从该网页文本中提取多个文本段;
从所述多个文本段中选择一段作为该网页的摘要。
5.如权利要求1-4任一项所述的方法,其中,所述基于各个匹配词的位置,采用滑动窗口机制从该网页的网页文本中提取多个文本段包括:
滑动窗口从网页文本的起始位置开始逐字向后滑动,每滑动到一个匹配词的起始位置截取滑动窗口大小的一段文本;
其中,所述滑动窗口的大小在预设范围内可调,每次截取的文本以一个匹配词开始,并以一个匹配词结束。
6.如权利要求1-5任一项所述的方法,其中,该方法进一步包括:
在每次截取前,进一步对滑动窗口的位置进行修正,以保证截取的文本语义通顺。
7.如权利要求1-6任一项所述的方法,其中,所述在每次截取前,进一步对滑动窗口的位置进行修正包括:
从窗口起始位置的匹配词开始向前移动,如果遇到上一个匹配词则停止移动,判断从窗口起始位置的匹配词和上一个匹配词之间是否存在句首,如果存在则将窗口起始位置修正为以该句首开始,如果不存在则不对窗口起始位置进行修正;如果能够向前移动到段首,则将窗口起始位置修正为以该段首开始;
和/或,从窗口结束置的匹配词开始向后移动,如果遇到下一个匹配词或者超出窗口的最大长度则停止移动。
8.如权利要求1-7任一项所述的方法,其中,所述从所述多个文本段中选择一段作为该网页的摘要包括:
分别计算所述多个文本段各自的综合权值,选取综合权值最高的一段文本作为该网页的摘要。
9.如权利要求1-8任一项所述的方法,其中,匹配词的级别包括如下中的至少两种级别,级别从高到低依次为:
原始搜索词;
分词中的PHRASE;
两个连续分词TERM连在一起;
两个不连续分词TREM连在一起;
连续三个汉字连在一起;
分词中的TERM;
两个汉字,没有停用词;
两个汉字,有停用词;
单个汉字;
单个字符。
10.一种基于搜索词从网页中提取摘要的装置,其中,该装置包括:
匹配词生成单元,适于基于原始搜索词衍生出一个或多个匹配词;
摘要提取单元,适于对于一个网页,从该网页文本中查找出各个匹配词;以及适于基于查找出各个匹配词,从该网页文本中提取摘要。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410844189.2A CN105808566A (zh) | 2014-12-30 | 2014-12-30 | 一种基于搜索词从网页中提取摘要的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410844189.2A CN105808566A (zh) | 2014-12-30 | 2014-12-30 | 一种基于搜索词从网页中提取摘要的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105808566A true CN105808566A (zh) | 2016-07-27 |
Family
ID=56419944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410844189.2A Pending CN105808566A (zh) | 2014-12-30 | 2014-12-30 | 一种基于搜索词从网页中提取摘要的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105808566A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503056A (zh) * | 2016-09-27 | 2017-03-15 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果摘要的生成方法及装置 |
CN106557554A (zh) * | 2016-11-04 | 2017-04-05 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果的显示方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101075260A (zh) * | 2007-06-28 | 2007-11-21 | 腾讯科技(深圳)有限公司 | 摘要提取方法以及摘要提取模块 |
WO2009073219A2 (en) * | 2007-12-04 | 2009-06-11 | Yahoo! Inc. | Third-party information overlay on search results |
CN101458718A (zh) * | 2009-01-05 | 2009-06-17 | 北京大学 | 一种搜索引擎动态摘要提取方法 |
US20120323888A1 (en) * | 2011-06-17 | 2012-12-20 | Osann Jr Robert | Automatic Webpage Characterization and Search Results Annotation |
-
2014
- 2014-12-30 CN CN201410844189.2A patent/CN105808566A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101075260A (zh) * | 2007-06-28 | 2007-11-21 | 腾讯科技(深圳)有限公司 | 摘要提取方法以及摘要提取模块 |
WO2009073219A2 (en) * | 2007-12-04 | 2009-06-11 | Yahoo! Inc. | Third-party information overlay on search results |
CN101458718A (zh) * | 2009-01-05 | 2009-06-17 | 北京大学 | 一种搜索引擎动态摘要提取方法 |
US20120323888A1 (en) * | 2011-06-17 | 2012-12-20 | Osann Jr Robert | Automatic Webpage Characterization and Search Results Annotation |
Non-Patent Citations (2)
Title |
---|
沈怡涛: "基于视觉特征和文本结构分析的中文网页自动摘要技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
蔡建山 等: "基于滑动窗口的动态摘要算法", 《计算机工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503056A (zh) * | 2016-09-27 | 2017-03-15 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果摘要的生成方法及装置 |
CN106503056B (zh) * | 2016-09-27 | 2019-08-27 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果摘要的生成方法及装置 |
CN106557554A (zh) * | 2016-11-04 | 2017-04-05 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果的显示方法和装置 |
CN106557554B (zh) * | 2016-11-04 | 2019-11-08 | 北京百度网讯科技有限公司 | 基于人工智能的搜索结果的显示方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180322341A1 (en) | Method and apparatus for extracting information | |
CN109543126B (zh) | 基于块文字占比的网页正文信息提取方法 | |
CN104598577B (zh) | 一种网页正文的提取方法 | |
CN102035883B (zh) | 一种在网络设备中用于优化网页的方法和设备 | |
CN104636465A (zh) | 网页摘要生成方法、展示方法及相应装置 | |
CN103076892A (zh) | 一种用于提供输入字符串所对应的输入候选项的方法与设备 | |
US11055373B2 (en) | Method and apparatus for generating information | |
CN106126502B (zh) | 一种基于支持向量机的情感分类***及方法 | |
CN103166981B (zh) | 一种无线网页转码方法及装置 | |
CN103544255A (zh) | 基于文本语义相关的网络舆情信息分析方法 | |
CN103226576A (zh) | 基于语义相似度的垃圾评论过滤方法 | |
CN103544176A (zh) | 用于生成多个页面所对应的页面结构模板的方法和设备 | |
WO2010125463A1 (en) | Method and apparatus for identifying synonyms and using synonyms to search | |
CN105808561A (zh) | 一种从网页中提取摘要的方法和装置 | |
CN102609427A (zh) | 舆情垂直搜索分析***及方法 | |
CN109033282A (zh) | 一种基于抽取模板的网页正文抽取方法及装置 | |
CN113326413B (zh) | 一种网页信息提取方法、***、服务器及存储介质 | |
CN104462532A (zh) | 网页正文提取的方法和装置 | |
CN102270244B (zh) | 基于核心语句的网页内容关键词快速提取方法 | |
CN103729178A (zh) | 一种浏览器多标签页的处理方法及*** | |
CN107436931B (zh) | 网页正文抽取方法及装置 | |
CN107145591B (zh) | 一种基于标题的网页有效元数据内容提取方法 | |
CN104778232B (zh) | 一种基于长查询的搜索结果的优化方法和装置 | |
CN106649767B (zh) | 一种网页信息抽取方法及装置 | |
CN101782924A (zh) | 信息处理方法、信息处理设备和程序 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160727 |
|
RJ01 | Rejection of invention patent application after publication |