La clasificación de tipo de página web de las páginas web

Question

¿Hay algún / enfoques desplegados, algoritmos o herramientas fiables para etiquetar el tipo de página web mediante el análisis de algunas de sus páginas web.

Por ejemplo: foros, blogs, sitios PressRelease, noticias, etc. E-Comm

Busco a algunas características bien definidas (reglas estáticas) de la que esta se puede determinar. Si no es así, espero modelo de aprendizaje automático puede ayudar.

Sugerencias / Ideas?

Answer 1

Si se acerca a esto desde el punto de vista de aprendizaje automático, clasificador de Bayes ingenuo probablemente tiene la mayor proporción de trabajo / recompensa. Una versión de la misma se utiliza en Aventar para categorizar los artículos de noticias.

Se necesitará un conjunto de páginas, cada una etiquetada con su categoría correcta. A continuación, extraer palabras u otros elementos relevantes de cada página y los usa como características

artículo en la implementación de Bayes ingenuo

Answer 2

Si está interesado en persuing el enfoque bayesiano (hay otras opciones de aprendizaje de máquina, después de todo), entonces sugiero el siguiente documento, que sigue a la cobertura de este tema en "Data Mining: Herramientas prácticas y la máquina de aprendizaje técnicas", por Witten y Frank:

http: //www.coli.uni-sb .de / ~ Crocker / Enseñanza / conexionista / lecture10_4up.pdf