Classification du type de site Web à partir des pages Web

Question

Existe-t-il des approches, des algorithmes ou des outils fiables/déployés pour étiqueter le type de site Web en analysant certaines de ses pages Web?

Ex: forums, blogs, sites PressRelease, nouvelles, E-Comm etc.

Je cherche des caractéristiques bien définies (règles statiques) à partir de laquelle il peut être déterminé. Si non, alors j'espère que le modèle Machine Learning peut aider.

Suggestions/Idées?

Answer 1

Si vous approchez cela du point de vue de l'apprentissage machine, le classificateur Naive Bayes a probablement le plus grand rapport travail/gain. Une version de celui-ci est utilisée dans Winnow pour classer les articles de nouvelles.

Vous aurez besoin d'un ensemble de pages, chacune étiquetée avec la catégorie appropriée. Ensuite, vous extraire des mots ou d'autres éléments pertinents de chaque page et les utiliser comme caractéristiques

Dr.Dobbs a un article sur la mise en œuvre Naive Bayes

Answer 2

Si vous êtes intéressé à persuing l'approche naïve Bayes (il y a d'autres machines des options d'apprentissage, après tout), alors je suggère le document suivant, qui suit la couverture de ce sujet dans « Data Mining: machine pratique outils d'apprentissage et techniques », par Witten et Frank:

http://www.coli.uni-sb.de/~crocker/Teaching/Connectionist/lecture10_4up.pdf