CN106844685B - 用于识别网站的方法、装置及服务器 - Google Patents

Abstract

本申请公开了用于识别网站的方法、装置及服务器。该方法的一具体实施方式包括：获取待识别网站的网页集合；识别该网页集合中的异常网页，其中，该异常网页中的图片信息与文本信息的相关度小于相关度阈值；确定识别出的异常网页在该网页集合中的比率；根据所确定的比率，确定该待识别网站是否为垃圾网站。该实施方式提高了识别垃圾网站的效率。

Description

用于识别网站的方法、装置及服务器

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于识别网站的方法、装置及服务器。

背景技术

垃圾网站，通常是指利用搜索引擎运算算法的缺陷，采用针对搜索引擎的作弊手段，使其获得高于其网络信息质量排名效果的网站。垃圾网站排在搜索结果列表中靠前的位置以欺骗用户点击，这种行为增加了检索信息的难度，降低了检索效率。

然而，现有的识别垃圾网站的方式，通常是基于网站之间的链接关系计算页面重要性，识别出垃圾网站，这种方式计算量较大，从而，存在着对垃圾网站的识别效率低的问题。

发明内容

本申请的目的在于提出一种改进的用于识别网站的方法、装置及服务器，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种用于识别网站的方法，上述方法包括：获取待识别网站的网页集合；识别上述网页集合中的异常网页，其中，上述异常网页中的图片信息与文本信息的相关度小于相关度阈值；确定识别出的异常网页在上述网页集合中的比率；根据所确定的比率，确定上述待识别网站是否为垃圾网站。

第二方面，本申请提供了一种用于识别网站装置，上述装置包括：获取单元，用于获取待识别网站的网页集合；识别单元，用于识别上述网页集合中的异常网页，其中，上述异常网页中的图片信息与文本信息的相关度小于相关度阈值；比率确定单元，用于确定识别出的异常网页在上述网页集合中的比率；垃圾网站确定单元，用于根据所确定的比率，确定上述待识别网站是否为垃圾网站。

第三方面，本申请提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现上述第一方面的用于识别网站的方法。

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面的用于识别网站的方法。

本申请提供的用于识别网站的方法、装置及服务器，通过获取待识别网站的网页集合；识别上述网页集合中的异常网页，其中，上述异常网页中的图片信息与文本信息的相关度小于相关度阈值；确定识别出的异常网页在上述网页集合中的比率；根据所确定的比率，确定上述待识别网站是否为垃圾网站，可以利用垃圾网站通常堆砌与文本无关的图片这一特点，高效率地识别垃圾网站。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性***架构图；

图2是根据本申请的用于识别网站的方法的第一个实施例的流程图；

图3是根据本申请的用于识别网站的方法的一个应用场景的示意图；

图4是根据本申请的用于识别网站的方法的第二个实施例的流程图；

图5是根据本申请的用于识别网站的方法中的步骤的可选实现方式的流程图；

图6是根据本申请的用于识别网站的方法中的步骤的可选实现方式的流程图；

图7是根据本申请的用于识别网站的方法中的步骤的可选实现方式的流程图；

图8是根据本申请的用于识别网站的方法的第三个实施例的流程图；

图9是根据本申请的用于识别网站装置的一个实施例的结构示意图；

图10是适于用来实现本申请实施例的服务器的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于识别网站的方法或用于识别网站装置的实施例的示例性***架构100。

如图1所示，***架构100可以包括网站服务器101、102、103，网络104和网络监控服务器105。网络104用以在网站服务器101、102、103和网络监控服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

网站服务器101、102、103可以是对各种网站的提供支持的服务器，网站服务器可以生成各种能够显示在终端设备上的网页。

网络监控服务器105可以通过网络爬虫抓取网页，对抓取的网页按照网站域名进行聚簇，得到某一网站的网页。通过得到的某一网站的网页，识别垃圾网站。需要说明的是，网站服务器与网络监控服务器之间可能不存在直接通信，而是通过网络监控服务器抓取网站服务器生成的网页产生间接通信。

需要说明的是，本申请实施例所提供的用于识别网站的方法一般由网络监控服务器105执行，相应地，用于识别网站装置一般设置于网络监控服务器105中。

应该理解，图1中的网站服务器、网络和网络监控服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的网站服务器、网络和网络监控服务器。

继续参考图2，其示出了根据本申请的用于识别网站的方法的一个实施例的流程200。上述的用于识别网站的方法，包括以下步骤：

步骤201，获取待识别网站的网页集合。

在本实施例中，用于识别网站的方法运行于其上的电子设备(例如图1所示的网络监控服务器)可以通过各种方式获取上述待识别网站的网页集合。

在本实施例的一些可选的实现方式中，上述电子设备可以获取预先存储的待识别网站的网页集合。

在本实施例的一些可选的实现方式中，上述电子设备可以通过聚簇通过对网络爬虫抓取的页面，按照网站域名进行聚簇，得到多个网站的各自的网页集合。选取其中一个网站作为待识别网站，并获取该网站的网页集合。

在本实施例的一些可选的实现方式中，上述网页集合可以是某一时间点待识别网站的所有的网页集合；上述网页集合还可以是预设时间段内待识别网站的新增或有更新的网页的集合。

步骤202，识别网页集合中的异常网页。

在本实施例中，用于识别网站的方法运行于其上的电子设备(例如图1所示的网络监控服务器)可以通过各种方法识别上述网页集合中的异常网页。在这里，异常网页是指网页中的图片信息与文本信息的相关度小于预设的相关度阈值的网页。

在本实施例的一些可选的实现方式中，识别上述网页集合中的异常网页可以通过以下方式实现：对于上述网页集合中的每一个网页，利用预先建立的识别模型，确定该网页中的图片信息和该网页的对应文本之间的相关度，基于所确定的相关度，识别该网页是否为异常网页。

在本实施例的一些可选的实现方式中，识别上述网页集合中的异常网页可以通过以下方式实现：可以先获取大量的其他网站的网页，与上述网页集合中的网页一起，组成待聚簇网页集合。基于图片的内容对待聚簇网页集合中的网页进行聚簇，得到一个或多个网页簇。获取网页簇中各个网页的对应文本，生成对应文本集合。识别对应文本集合中与该对应文本集合中其他对应文本的主题差距比较大的对应文本，作为异常对应文本。然后基于异常对应文本，识别上述异常对应文本所属或所对应的网页是否为异常网页。

需要说明的是，本申请涉及的聚簇算法、分类算法以及如何利用聚簇算法、分类算法进行运算，是本领域技术人员所公知的，在本申请中不再赘述。

在本实施例的一些可选的实现方式中，网页的对应文本可以是该网页中的全部文本，也可以是对全体文本进行提取得到的主要文本，也可以是该网页各个文本域中的子文本，还可以是搜索文本。在这里，上述搜索文本可以通过首先获取该网页作为搜索结果呈现时的搜索式，然后解析所获取的搜索式并提取关键词而生成。

在本实施例的一些可选的实现方式中，可以将识别出的网页簇中的异常网页与上述网页集合做交集，得到上述网页集合中的异常网页。

在本实施例的一些可选的实现方式中，可以响应于识别出的异常对应文本所属的或所对应的网页是上述网页集合中的网页，将识别出的异常对应文本所属的或所对应的网页确定为上述网页集合中的异常网页。

在本实施例的一些可选的实现方式中，识别上述网页集合中的异常网页可以通过以下方式实现：获取预设图片文本特征向量集合，其中，预设图片文本特征向量通过解析已识别出的垃圾网站的异常网页，提取并拼接图片特征和文本特征而生成；对于上述网页集合中的每个网页，分别提取并拼接图片特征和文本特征，生成待识别图片文本特征向量；对于上述网页集合中的每个网页，响应于该网页的待识别图片文本特征与上述预设图片文本特征向量集合中的至少一个预设图片文本特征向量的相似度大于图片文本阈值，确定该网页为异常网页。

步骤203，确定识别出的异常网页在网页集合中的比率。

在本实施例中，用于识别网站的方法运行于其上的电子设备(例如图1所示的网络监控服务器)可以确定识别出的上述网页集合中的异常网页在上述网页集合中的比率。在这里，可以将识别出的上述网页集合中的异常网页的数量除以网页集合中网页的总数量，作为上述比率。

步骤204，根据所确定的比率，确定待识别网站是否为垃圾网站。

在本实施例中，用于识别网站的方法运行于其上的电子设备(例如图1所示的网络监控服务器)可以根据所确定的比率，确定待识别网站是否为垃圾网站。

在本实施例的一些可选的实现方式中，可以当所确定的比率大于预设的异常网页比率阈值时，确定上述待识别网站为垃圾网站。

在本实施例的一些可选的实现方式中，还可以在确定上述待识别网站为垃圾网站后，利用所确定的垃圾网站的图片或图片信息与文本信，查找并识别其他的垃圾网站。

在本实施例的一些可选的实现方式中，利用所确定的垃圾网站的图片查找并识别其他的垃圾网站可以通过以下步骤实现：获取所确定的垃圾网站的异常网页以及待识别网页集合，其中，上述待识别网页集合包括上述垃圾网站之外的其它预设网站的网页；解析上述异常网页和上述待识别网页集合中的每个网页，提取该网页中的图片的图片特征生成图片特征向量；利用聚簇或分类算法对得到的各个图片特征向量进行运算而对上述异常网页和上述待识别网页集合中的网页进行聚簇或分类，得到至少一个子网页集合；确定包括上述异常网页的子网页集合中的待识别网页为垃圾网页；确定上述垃圾网页所属的网站为垃圾网站。

作为示例，所确定的垃圾网站中的网页中的图片可能是赌博主题的图片，与该异常网页处于同一子网页集合中的待识别网页中的图片的主题很可能也是赌博，则确定与该异常网页处于同一子网页集合中的待识别网页为垃圾网页，进而确定上述垃圾网页所属的网站为垃圾网站，通过这种方式可以快速识别大批垃圾网站。

在本实施例的一些可选的实现方式中，利用所确定的垃圾网站的图片信息与文本信息查找并识别其他的垃圾网站可以通过以下步骤实现：获取所确定的垃圾网站的异常网页以及待识别网页集合，其中，上述待识别网页集合包括上述垃圾网站之外的其它预设网站的网页；解析上述异常网页和上述待识别网页集合中的每个网页，提取并拼接该网页的图片特征和文本特征，生成图片文本特征向量；利用聚簇或分类算法对得到的各个图片文本特征向量进行运算而对上述待识别网页集合中的图片进行聚簇或分类，得到至少一个子网页集合；确定包括上述异常网页的子网页集合中的待识别网页为垃圾网页；确定上述垃圾网页所属的网站为垃圾网站。

作为示例，所确定的垃圾网站中的异常网页中的图片信息和文本信息之间的相关度较小，例如，异常网页的图片文本特征向量可能是汽车主题的图片特征向量和赌博主题的文本特征向量拼接得到，与该异常网页处于同一子网页集合中的待识别网页中的图片文本特征向量很可能也是汽车主题的图片特征向量和赌博主题的文本特征向量的组合，则确定与该异常网页处于同一子网页集合中的待识别网页图片信息和文本信息相关度较低，并将该待识别网页确定为垃圾网页，进而确定上述垃圾网页所属的网站为垃圾网站，通过这种方式可以快速识别大批垃圾网站。

下面给出根据本实施例的用于识别网站的方法的一个应用场景：首先，网络监控服务器获取待识别网站的网页集合；之后，网络监控服务器可以识别出上述网页集合中的异常网页，异常网页是指网页中的图片信息和文本信息的相关度小于预设的相关度阈值的网页，例如图3示出的网页，图片的主题为汽车，文本“***开奖，即买即中；机不可失，时不再来”的主题为***，汽车和***的相关度较低；然后，网络监控服务器可以统计网页集合中异常网页的比率；最后，上述网络监控服务器可以根据异常网页在上述网页集合中的比率，确定上述待识别网站是否是垃圾网站。

本申请的上述实施例提供的方法，通过获取待识别网站的网页集合；识别上述网页集合中的异常网页，其中，上述异常网页中的图片信息与文本信息的相关度小于相关度阈值；确定识别出的异常网页在上述网页集合中的比率；根据所确定的比率，确定上述待识别网站是否为垃圾网站，可以利用垃圾网站通常堆砌与文本无关的图片这一特点，高效率地识别垃圾网站。

继续参考图4，其示出了根据本申请的用于识别网站的方法的一个实施例的流程400。上述的用于识别网站的方法，包括以下步骤：

步骤401，获取待识别网站的网页集合。

在本实施例中，在本实施例中，用于识别网站的方法运行于其上的电子设备(例如图1所示的网络监控服务器)可以通过各种方式获取上述待识别网站的网页集合。

步骤402，确定待聚簇网页集合，并利用聚簇算法对待聚簇网页集合中的网页中的图片进行聚簇，得到图片簇。

在本实施例中，上述电子设备可以首先确定待聚簇网页集合，然后利用聚簇算法对上述待聚簇网页集合中的网页中的图片进行聚簇，得到一个或多个图片簇。在这里，上述待聚簇网页集合包括上述网页集合中的网页和除上述待识别网站之外的其它预设网站的网页。

可以理解，本步骤的目的是获取大批网页，以辅助识别网页集合中的网页。得到的图片簇可以是一个或多个，为了方便说明，以下步骤的说明是针对一个图片簇而言。

步骤403，确定图片簇中的图片所属的网页。

在本实施例中，上述电子设备可以确定步骤402确定的图片簇中的各个图片所属的网页。对于某一个确定的图片簇，可以确定该图片簇中的图片所属的网页。

步骤404，基于对应文本集合中的异常对应文本，识别上述异常网页。

在本实施例中，上述电子设备可以基于对应文本集合中的异常对应文本，识别上述异常网页。在这里，上述对应文本集合包括上述图片簇中的图片所属的网页对应的文本，上述异常对应文本与上述对应文本集合中的除上述异常对应文本之外的其它对应文本的语义相似度小于预设的第一语义相似度阈值。

在本实施例中，网页的对应文本可以是该网页中的全部文本，也可以是对全体文本进行提取得到的主要文本，也可以是该网页各个文本域中的子文本，还可以是搜索文本。在这里，上述搜索文本可以通过首先获取该网页作为搜索结果呈现时的搜索式，然后解析所获取的搜索式并提取关键词而生成。

在本实施例的一些可选的实现方式中，步骤404可以通过图5所示的流程500实现：

步骤501，提取图片簇中的各个图片所属的网页中的文本，生成文本集合。

在本实现方式中，上述电子设备可以提取上述步骤403得到的图片簇中的各个图片所属的网页中的文本，生成文本集合。

在本实现方式中，提取的网页中的文本可以是网页的全部文本，也可以能够反映网页的主题的主要文本。作为示例，可以从网页的全部文本中去除广告文本，得到主要文本。

步骤502，识别文本集合中的异常文本。

在本实现方式中，上述电子设备可以识别步骤501中生成的文本集合中的异常文本。在这里，上述异常文本与上述文本集合中的除上述异常文本之外的其它文本的语义相似度小于第二语义相似度阈值。

可选地，识别文本集合中的异常文本可以通过以下方式实现：基于上述文本集合中各个文本之间的语义相似度，对上述各个文本对应的文本特征向量进行聚类运算，得到聚类中心；确定与上述聚类中心的距离大于预设距离阈值的文本特征向量；将所确定文本特征向量对应的文本识别为异常文本。可以理解，如何利用聚类运算对各个文本特征向量进行运算，这一技术本身是本领域技术人员所公知的，在此不再赘述。

步骤503，响应于识别出的异常文本提取自网页集合中的网页，将异常文本所属的网页识别为异常网页。

在本实现方式中，上述电子设备可以响应于识别出的异常文本提取自网页集合中的网页，将上述异常文本所属的网页识别为上述网页集合中的异常网页。

可以理解的是，识别出的异常文本可以提取自除上述待识别网站之外的其它预设网站的网页，这种情况下，识别出的异常文本所属的网页也是异常网页，但不是上述网页集合中的异常网页，不在本实施例所示方法的对异常网页的统计之中。

可选地，步骤404还可以通过图6所示的流程600实现：

步骤601，对于上述各个图片所属的网页的每个网页，解析该网页并提取该网页各个文本域中的子文本。

在本实现方式中，上述电子设备可以对于上述图片簇中各个图片所属的网页中的每个网页，解析该网页，进而提取该网页各个文本域中的子文本。

在本实现方式中，文本域可以是处于页面不同位置的放置文本的区域，例如，页面标题文本域、图片标题文本域、导航栏文本域等。相应地，各个文本域中的子文本可以是页面标题子文本、图片标题子文本、导航栏子文本等。需要说明的是，在这里的子文本是相对于页面中的全部文本而言。作为示例，页面标题子文本是页面标题文本域中的全部文本，相对于页面中的全部文本而言是子文本，而不是页面标题文本域中的部分文本。

步骤602，根据文本域对提取的子文本进行划分，生成多个与文本域相关联的子文本集合。

在本实现方式中，上述电子设备可以根据文本域对步骤601所提取的子文本进行划分，生成多个子文本集合，其中，各个子文本集合分别与文本域相关联。作为示例，划分得到的页面标题子文本集合中的子文本均为页面标题子文本，划分得到的图片标题子文本集合中的子文本均为图片标题子文本。

步骤603，对于多个子文本集合中的每个子文本集合，识别该子文本集合中的异常子文本。

在本实现方式中，上述电子设备可以对于多个子文本集合中的每个子文本，识别该子文本集合中的异常子文本。在这里，上述异常子文本与该子文本集合中的除上述异常子文本之外的其它子文本的语义相似度小于第二语义相似度阈值。作为示例，子文本集合中的大部分子文本的主题均为汽车，个别子文本的主题为动物，则识别出主题为动物的个别子文本为异常子文本。

可选地，识别该子文本集合中的异常子文本可以通过以下步骤实现：基于上述子文本集合中各个子文本之间的语义相似度，对上述各个子文本对应的子文本特征向量进行聚类运算，得到聚类中心；确定与上述聚类中心的距离大于预设距离阈值的子文本特征向量；将所确定子文本特征向量对应的子文本识别为异常子文本。

步骤604，对于网页集合中每个网页，确定该网页中的异常子文本数量与该网页的文本域总数量的比值，并且响应于比值大于异常文本域阈值，识别该网页为异常网页。

在本实现方式中，上述电子设备可以对于上述网页集合中的每个网页，确定该网页中的异常子文本数量与该网页的文本域总数量的比值。

可选地，可以将步骤603中识别出的异常子文本与网页集合中的网页的子文本做交集，确定上述网页集合中的网页的子文本中哪些是异常子文本，然后对于上述网页集合中的每个网页，确定该网页中的异常子文本数量。

可选地，步骤404可以通过图7所示的流程700实现：

步骤701，对于所确定的每个网页，获取该网页作为搜索结果呈现时的搜索式，解析所获取的搜索式并提取关键词生成搜索文本。

在本实现方式中，上述电子设备可以对于步骤403所确定的每个网页，获取该网页作为搜索结果呈现时的搜索式，并解析所获取的搜索式提取关键词生成搜索文本。

作为示例，某网页包括动物园中的老虎伤人的信息，该网页作为搜索结果呈现时，搜索式可能为“老虎伤人”“动物园事故”“老虎”，解析搜索式提取关键词生成搜索文本可能为“动物园、老虎、伤人、事故”。

步骤702，对于包括各个图片所属的网页的搜索文本的搜索文本集合，识别搜索文本集合中的异常搜索文本。

在本实现方式中，上述电子设备可以识别上述搜索文本集合中的异常搜索文本。上述搜索文本集合中包括上述各个图片所属的网页的搜索文本。

可选地，识别搜索文本集合中的异常搜索文本可以通过以下方式实现：基于上述搜索文本集合中各个搜索文本之间的语义相似度，对上述各个搜索文本对应的搜索文本特征向量进行聚类运算，得到聚类中心；确定与上述聚类中心的距离大于预设距离阈值的搜索文本特征向量；将所确定搜索文本特征向量对应的搜索文本识别为异常搜索文本。

步骤703，响应于识别出的异常搜索文本对应的网页为上述网页集合中的网页，确定识别出的异常搜索文本对应的网页为异常网页。

在本实现方式中，上述电子设备可以响应于识别出的异常搜索文本对应的网页为上述网页集合中的网页，确定识别出的异常搜索文本对应的网页为上述异常网页。

步骤405，确定识别出的异常网页在网页集合中的比率。

步骤406，根据所确定的比率，确定待识别网站是否为垃圾网站。

步骤405和步骤406的实现可以参考步骤203和步骤204中的说明，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于识别网站的方法的流程400突出了基于图片内容对大量网页进行聚簇，再对网页簇中的网页对应的文本进行识别，确定出异常文本，本实施例利用了相似图片所属的网页中的文本的主题也应相似，而垃圾网站的网页中的图片信息和文本信息往往差异较大这一特点，识别异常网页。由此，本实施例描述的方案可以高效识别异常网页，进而高效识别异常网站。

继续参考图8，其示出了根据本申请的用于识别网站的方法的一个实施例的流程800。上述的用于识别网站的方法，包括以下步骤：

步骤801，获取待识别网站的网页集合。

在本实施例中，用于识别网站的方法运行于其上的电子设备(例如图1所示的网络监控服务器)可以通过各种方式获取上述待识别网站的网页集合。

步骤802，确定上述网页集合中的每个网页的对应文本，并分别提取该网页中的图片的图片特征和上述对应文本的文本特征，生成图片特征向量和对应文本特征向量。

在本实施例中，上述电子设备可以确定上述网页集合中的每个网页的对应文本，并分别提取该网页中的图片的图片特征和上述对应文本的文本特征，生成图片特征向量和对应文本特征向量。

在本实施例中，网页的对应文本可以是该网页中的全部文本，也可以是对全体文本进行提取得到的主要文本，也可以是该网页各个文本域中的子文本，还可以是搜索文本。在这里，上述搜索文本可以通过首先获取该网页作为搜索结果呈现时的搜索式，然后解析所获取的搜索式并提取关键词而生成。

步骤803，对于上述网页集合中的每个网页，将生成的图片特征向量和对应文本特征向量导入预先建立的识别模型，确定导入的图片特征向量和对应文本特征向量之间的相关度。

在本实施例中，上述电子设备可以对于上述网页集合中的每个网页，将生成的图片特征向量和对应文本特征向量导入预先建立的识别模型，确定导入的图片特征向量和对应文本特征向量之间的相关度。

在本实施例中，上述识别模型可以通过人工标注的样本或从用户的行为日志中挖掘得到的样本进行训练。在这里，样本可以是成对的图片、文本。

在本实施例的一些可选的实现方式中，上述对应文本可以包括上述网页集合中的每个网页中的文本，步骤803可以包括：对于上述网页集合中的每个网页，将生成的图片特征向量和文本特征向量导入预先建立的识别模型，确定导入的图片特征向量和文本特征向量之间的相关度。

在本实施例的一些可选的实现方式中，上述对应文本可以包括上述网页集合中的每个网页中的搜索文本，步骤803可以包括：对于上述网页集合中的每个网页，将生成的图片特征向量和搜索文本特征向量导入预先建立的识别模型，确定导入的图片特征向量和搜索文本特征向量之间的相关度。

在本实施例的一些可选的实现方式中，上述对应文本包括上述网页中至少一个文本域中的子文本，步骤803可以包括：解析上述网页集合中的每个网页，分别提取该网页中的图片特征和子文本特征而生成图片特征向量和子文本特征向量集合，其中，子文本为网页中至少一个文本域中的文本；将对于上述子文本特征向量集合中的每个子文本特征向量，将该子文本特征向量与上述图片特征向量导入预先建立的识别模型，确定该子文本特征与上述图片特征向量之间的相关度。

步骤804，对于上述网页集合中的每个网页，根据所确定的相关度，确定该网页是否为上述异常网页。

在本实施例中，上述电子设备可以对于上述网页集合中的每个网页，根据所确定的相关度，确定该网页是否为上述异常网页。

在本实施例的一些可选的实现方式中，上述对应文本包括上述网页集合中的每个网页中的文本或搜索文本，步骤804可以通过以下方式实现：对于上述网页集合中的每个网页，响应于所确定的相关度小于相关度阈值，确定该网页为上述异常网页。

在本实施例的一些可选的实现方式中，上述对应文本包括上述网页中至少一个文本域中的子文本，步骤804可以通过以下方式实现：响应于所确定的相关度小于相关度阈值，将该子文本确定为异常子文本；对于上述网页集合中每个网页，确定该网页中的异常子文本数量与该网页的文本域总数量的比值，并响应于上述比值大于异常文本域阈值，识别该网页为异常网页。

步骤805，确定识别出的异常网页在网页集合中的比率。

步骤806，根据所确定的比率，确定待识别网站是否为垃圾网站。

步骤805和步骤806的实现可以参考步骤203和步骤204中的说明，在此不再赘述。

从图8中可以看出，与图2对应的实施例相比，本实施例中的用于识别网站的方法的流程800突出了利用预先建立的识别模型，确定网页中的图片和对应文本之间的相关度，从而快速识别异常网页和垃圾网站。

进一步参考图9，作为对上述各图所示方法的实现，本申请提供了一种用于识别网站装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图9所示，本实施例上述的用于识别网站装置900包括：获取单元901、识别单元902、比率确定单元903和垃圾网站确定单元904。其中，获取单元901，用于获取待识别网站的网页集合；识别单元902，用于识别上述网页集合中的异常网页，其中，上述异常网页中的图片信息与文本信息的相关度小于相关度阈值；比率确定单元903，用于确定识别出的异常网页在上述网页集合中的比率；垃圾网站确定单元904，用于根据所确定的比率，确定上述待识别网站是否为垃圾网站。

在本实施例中，用于识别网站装置900的获取单元901可以通过各种方式获取上述待识别网站的网页集合。

在本实施例中，用于识别网站装置900的识别单元902可以通过各种方法识别上述网页集合中的异常网页。

在本实施例中，用于识别网站装置900的比率确定单元903可以确定识别出的上述网页集合中的异常网页在上述网页集合中的比率。

在本实施例中，用于识别网站装置900的垃圾网站确定单元904可以根据所确定的比率，确定待识别网站是否为垃圾网站。

在本实施例的一些可选的实现方式中，上述识别单元包括第一识别子单元(未示出)，用于：确定待聚簇网页集合，并利用聚簇算法对上述待聚簇网页集合中的网页中的图片进行聚簇，得到图片簇，其中，上述待聚簇网页集合包括上述网页集合中的网页和除上述待识别网站之外的其它预设网站的网页；确定上述图片簇中的图片所属的网页；基于对应文本集合中的异常对应文本，识别上述异常网页，其中，上述对应文本集合包括上述图片簇中的图片所属的网页对应的文本，上述异常对应文本与上述对应文本集合中的除上述异常对应文本之外的其它对应文本的语义相似度小于第一语义相似度阈值。

在本实施例的一些可选的实现方式中，上述第一识别子单元，还用于：提取上述图片簇中的各个图片所属的网页中的文本，生成文本集合；识别上述文本集合中的异常文本，其中，上述异常文本与上述文本集合中的除上述异常文本之外的其它文本的语义相似度小于第二语义相似度阈值；响应于识别出的异常文本提取自上述网页集合中的网页，将上述异常文本所属的网页识别为上述异常网页。

在本实施例的一些可选的实现方式中，上述第一识别子单元，还用于：基于上述文本集合中各个文本之间的语义相似度，对上述各个文本对应的文本特征向量进行聚类运算，得到聚类中心；确定与上述聚类中心的距离大于预设距离阈值的文本特征向量；将所确定的文本特征向量对应的文本识别为异常文本。

在本实施例的一些可选的实现方式中，上述第一识别子单元，还用于：对于所确定的每个网页，解析该网页并提取该网页各个文本域中的子文本；根据文本域对提取的子文本进行划分，生成多个与文本域相关联的子文本集合；对于多个子文本集合中的每个子文本集合，识别该子文本集合中的异常子文本，其中，上述异常子文本与该子文本集合中的除上述异常子文本之外的其它子文本的语义相似度小于第三语义相似度阈值。

在本实施例的一些可选的实现方式中，上述第一识别子单元，还用于：对于上述网页集合中每个网页，确定该网页中的异常子文本数量与该网页的文本域总数量的比值，并响应于上述比值大于异常文本域阈值，识别该网页为异常网页。

在本实施例的一些可选的实现方式中，上述第一识别子单元，还用于：对于所确定的每个网页，获取该网页作为搜索结果呈现时的搜索式，解析所获取的搜索式并提取关键词生成搜索文本；对于包括上述各个图片所属的网页的搜索文本的搜索文本集合，识别搜索文本集合中的异常搜索文本，其中，上述异常搜索文本与上述搜索文本集合中除上述异常搜索文本之外的其它搜索文本的语义相似度小于第四语义相似度阈值；响应于识别出的异常搜索文本对应的网页为上述网页集合中的网页，确定识别出的异常搜索文本对应的网页为上述异常网页。

在本实施例的一些可选的实现方式中，上述识别单元包括第二识别子单元(未示出)，用于：确定上述网页集合中的每个网页的对应文本，并分别提取该网页中的图片的图片特征和上述对应文本的文本特征，成图片特征向量和对应文本特征向量；对于上述网页集合中的每个网页，将生成的图片特征向量和对应文本特征向量导入预先建立的识别模型，确定导入的图片特征向量和对应文本特征向量之间的相关度，其中，上述识别模型用于表征图片特征向量、对应文本特征向量与图片特征向量和对应文本特征向量之间的相关度的对应关系；对于上述网页集合中的每个网页，根据所确定的相关度，确定该网页是否为上述异常网页。

在本实施例的一些可选的实现方式中，上述对应文本包括上述网页集合中的每个网页中的文本或搜索文本，其中，上述搜索文本通过解析该网页作为搜索结果呈现时的搜索式并提取关键词而生成；以及上述第二识别子单元，还用于：对于上述网页集合中的每个网页，响应于所确定的相关度小于相关度阈值，确定该网页为上述异常网页。

在本实施例的一些可选的实现方式中，上述对应文本包括上述网页中至少一个文本域中的子文本；以及上述第二识别子单元，还用于：响应于所确定的相关度小于相关度阈值，将该子文本确定为异常子文本；对于上述网页集合中每个网页，确定该网页中的异常子文本数量与该网页的文本域总数量的比值，并响应于上述比值大于异常文本域阈值，识别该网页为异常网页。

在本实施例的一些可选的实现方式中，上述识别单元包括第三识别子单元(未示出)，用于：获取预设图片文本特征向量集合，其中，预设图片文本特征向量通过解析已识别出的垃圾网站的异常网页，提取并拼接图片特征和文本特征而生成；对于上述网页集合中的每个网页，分别提取并拼接图片特征和文本特征，生成待识别图片文本特征向量；对于上述网页集合中的每个网页，响应于该网页的待识别图片文本特征与上述预设图片文本特征向量集合中的至少一个预设图片文本特征向量的相似度大于图片文本阈值，确定该网页为异常网页。

在本实施例的一些可选的实现方式中，上述垃圾网站确定单元，还用于：当所确定的比率大于异常网页比率阈值时，确定上述待识别网站为垃圾网站。

在本实施例的一些可选的实现方式中，上述装置还包括第一查找单元(未示出)，用于：获取所确定的垃圾网站的异常网页以及待识别网页集合，其中，上述待识别网页集合包括上述垃圾网站之外的其它预设网站的网页；解析上述异常网页和上述待识别网页集合中的每个网页，提取该网页中的图片的图片特征生成图片特征向量；利用聚簇或分类算法对得到的各个图片特征向量进行运算而对上述待识别网页集合中的图片进行聚簇或分类，得到至少一个子网页集合；确定包括上述异常网页的子网页集合中的待识别网页为垃圾网页；确定上述垃圾网页所属的网站为垃圾网站。

在本实施例的一些可选的实现方式中，上述装置还包括第二查找单元(未示出)，用于：获取所确定的垃圾网站的异常网页以及待识别网页集合，其中，上述待识别网页集合包括上述垃圾网站之外的其它预设网站的网页；解析上述异常网页和上述待识别网页集合中的每个网页，提取并拼接该网页的图片特征和文本特征，生成图片文本特征向量；利用聚簇或分类算法对得到的各个图片文本特征向量进行运算而对上述待识别网页集合中的图片进行聚簇或分类，得到至少一个子网页集合；确定包括上述异常网页的子网页集合中的待识别网页为垃圾网页；确定上述垃圾网页所属的网站为垃圾网站。

本实施例中各单元和各子单元的实现细节和技术效果，可参考本申请其他实施例中的说明，在此不再赘述。

下面参考图10，其示出了适于用来实现本申请实施例的服务器的计算机***1000的结构示意图。图10示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图10所示，计算机***1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有***1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、识别单元、比率确定单元和垃圾网站确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“用于获取待识别网站的网页集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待识别网站的网页集合；识别上述网页集合中的异常网页，其中，上述异常网页中的图片信息与文本信息的相关度小于相关度阈值；确定识别出的异常网页在上述网页集合中的比率；根据所确定的比率，确定上述待识别网站是否为垃圾网站。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (17)

1.一种用于识别网站的方法，其特征在于，所述方法包括：

获取待识别网站的网页集合；

基于网页中的图文信息，识别所述网页集合中的异常网页，其中，所述异常网页中的图片信息与文本信息的相关度小于相关度阈值；

确定识别出的异常网页在所述网页集合中的比率；

根据所确定的比率，确定所述待识别网站是否为垃圾网站。

2.根据权利要求1所述的方法，其特征在于，所述基于网页中的图文信息，识别所述网页集合中的异常网页，包括：

确定待聚簇网页集合，并利用聚簇算法对所述待聚簇网页集合中的网页中的图片进行聚簇，得到图片簇，其中，所述待聚簇网页集合包括所述网页集合中的网页和除所述待识别网站之外的其它预设网站的网页；

确定所述图片簇中的图片所属的网页；

基于对应文本集合中的异常对应文本，识别所述异常网页，其中，所述对应文本集合包括所述图片簇中的图片所属的网页对应的文本，所述异常对应文本与所述对应文本集合中的除所述异常对应文本之外的其它对应文本的语义相似度小于第一语义相似度阈值。

3.根据权利要求2所述的方法，其特征在于，所述基于对应文本集合中的异常文本，识别所述异常网页，包括：

提取所述图片簇中的各个图片所属的网页中的文本，生成文本集合；

识别所述文本集合中的异常文本，其中，所述异常文本与所述文本集合中的除所述异常文本之外的其它文本的语义相似度小于第二语义相似度阈值；

响应于识别出的异常文本提取自所述网页集合中的网页，将所述异常文本所属的网页识别为所述异常网页。

4.根据权利要求3所述的方法，其特征在于，所述识别所述文本集合中的异常文本，包括：

基于所述文本集合中各个文本之间的语义相似度，对所述各个文本对应的文本特征向量进行聚类运算，得到聚类中心；

确定与所述聚类中心的距离大于预设距离阈值的文本特征向量；

将所确定的文本特征向量对应的文本识别为异常文本。

5.根据权利要求2所述的方法，其特征在于，所述基于对应文本集合中的异常文本，识别所述异常网页，包括：

对于所确定的每个网页，解析该网页并提取该网页各个文本域中的子文本；

根据文本域对提取的子文本进行划分，生成多个与文本域相关联的子文本集合；

对于多个子文本集合中的每个子文本集合，识别该子文本集合中的异常子文本，其中，所述异常子文本与该子文本集合中的除所述异常子文本之外的其它子文本的语义相似度小于第三语义相似度阈值。

6.根据权利要求5所述的方法，其特征在于，所述基于对应文本集合中的异常文本，识别所述异常网页，还包括：

对于所述网页集合中每个网页，确定该网页中的异常子文本数量与该网页的文本域总数量的比值，并响应于所述比值大于异常文本域阈值，识别该网页为异常网页。

7.根据权利要求2所述的方法，其特征在于，所述基于对应文本集合中的异常文本，识别所述异常网页，包括：

对于所确定的每个网页，获取该网页作为搜索结果呈现时的搜索式，解析所获取的搜索式并提取关键词生成搜索文本；

对于包括各个图片所属的网页的搜索文本的搜索文本集合，识别搜索文本集合中的异常搜索文本，其中，所述异常搜索文本与所述搜索文本集合中除所述异常搜索文本之外的其它搜索文本的语义相似度小于第四语义相似度阈值；

响应于识别出的异常搜索文本对应的网页为所述网页集合中的网页，确定识别出的异常搜索文本对应的网页为所述异常网页。

8.根据权利要求1所述的方法，其特征在于，所述基于网页中的图文信息，识别所述网页集合中的异常网页，包括：

确定所述网页集合中的每个网页的对应文本，并分别提取该网页中的图片的图片特征和所述对应文本的文本特征，生成图片特征向量和对应文本特征向量；

对于所述网页集合中的每个网页，将生成的图片特征向量和对应文本特征向量导入预先建立的识别模型，确定导入的图片特征向量和对应文本特征向量之间的相关度，其中，所述识别模型用于表征图片特征向量、对应文本特征向量与图片特征向量和对应文本特征向量之间的相关度的对应关系；

对于所述网页集合中的每个网页，根据所确定的相关度，确定该网页是否为所述异常网页。

9.根据权利要求8所述的方法，其特征在于，所述对应文本包括网页中的文本或搜索文本，其中，所述搜索文本通过解析该网页作为搜索结果呈现时的搜索式并提取关键词而生成；以及

所述对于所述网页集合中的每个网页，根据所确定的相关度，确定该网页是否为所述异常网页，包括：

对于所述网页集合中的每个网页，响应于所确定的相关度小于相关度阈值，确定该网页为所述异常网页。

10.根据权利要求8所述的方法，其特征在于，所述对应文本包括网页中至少一个文本域中的子文本；以及

所述对于所述网页集合中的每个网页，根据所确定的相关度，确定该网页是否为所述异常网页，包括：

响应于所确定的相关度小于相关度阈值，将该子文本确定为异常子文本；

对于所述网页集合中每个网页，确定该网页中的异常子文本数量与该网页的文本域总数量的比值，并响应于所述比值大于异常文本域阈值，识别该网页为异常网页。

11.根据权利要求1所述的方法，其特征在于，所述基于网页中的图文信息，识别所述网页集合中的异常网页，包括：

获取预设图片文本特征向量集合，其中，预设图片文本特征向量通过解析已识别出的垃圾网站的异常网页，提取并拼接图片特征和文本特征而生成；

对于所述网页集合中的每个网页，分别提取并拼接图片特征和文本特征，生成待识别图片文本特征向量；

对于所述网页集合中的每个网页，响应于该网页的待识别图片文本特征与所述预设图片文本特征向量集合中的至少一个预设图片文本特征向量的相似度大于图片文本阈值，确定该网页为异常网页。

12.根据权利要求1-11任一项所述的方法，其特征在于，所述根据所确定的比率，确定所述待识别网站是否为垃圾网站，包括：

当所确定的比率大于异常网页比率阈值时，确定所述待识别网站为垃圾网站。

13.根据权利要求12所述的方法，其特征在于，所述当所确定的比率大于异常网页比率阈值时，确定所述待识别网站为垃圾网站之后，所述方法还包括：

获取所确定的垃圾网站的异常网页以及待识别网页集合，其中，所述待识别网页集合包括所述垃圾网站之外的其它预设网站的网页；

解析所述异常网页和所述待识别网页集合中的每个网页，提取该网页中的图片的图片特征生成图片特征向量；

利用聚簇或分类算法对得到的各个图片特征向量进行运算而对所述异常网页和所述待识别网页集合中的网页进行聚簇或分类，得到至少一个子网页集合；

确定包括所述异常网页的子网页集合中的待识别网页为垃圾网页；确定所述垃圾网页所属的网站为垃圾网站。

14.根据权利要求12所述的方法，其特征在于，所述当所确定的比率大于异常网页比率阈值时，确定所述待识别网站为垃圾网站之后，所述方法还包括：

获取所确定的垃圾网站的异常网页以及待识别网页集合，其中，所述待识别网页集合包括所述垃圾网站之外的其它预设网站的网页；

解析所述异常网页和所述待识别网页集合中的每个网页，提取并拼接该网页的图片特征和文本特征，生成图片文本特征向量；

利用聚簇或分类算法对得到的各个图片文本特征向量进行运算而对所述异常网页和所述待识别网页集合中的网页进行聚簇或分类，得到至少一个子网页集合；

确定包括所述异常网页的子网页集合中的待识别网页为垃圾网页；

确定所述垃圾网页所属的网站为垃圾网站。

15.一种用于识别网站的装置，其特征在于，所述装置包括：

获取单元，用于获取待识别网站的网页集合；

识别单元，用于基于网页中的图文信息，识别所述网页集合中的异常网页，其中，所述异常网页中的图片信息与文本信息的相关度小于相关度阈值；

比率确定单元，用于确定识别出的异常网页在所述网页集合中的比率；

垃圾网站确定单元，用于根据所确定的比率，确定所述待识别网站是否为垃圾网站。

16.一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-14中任一所述的方法。

17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-14中任一所述的方法。

Images