从网页分类网站类型

Question

是否有任何可靠/部署的方法，算法或工具通过解析其网页来标记网站类型。

例如：论坛，博客，新闻发布网站，新闻，电子通讯等。

我正在寻找一些明确定义的特征（静态规则），从中可以确定这一点。如果没有，那么我希望机器学习模型可以提供帮助。

建议/想法？

Answer 1

如果从机器学习的角度来看，Naive Bayes分类器可能具有最大的工作/支付率。 Winnow中使用了它的一个版本来对新闻文章进行分类。

您需要一组页面，每个页面都标有正确的类别。然后从每个页面中提取单词或其他相关元素并将其用作特征

Dr.Dobbs有article实施Naive Bayes

Answer 2

如果你有兴趣坚持天真的贝叶斯方法（毕竟还有其他的机器学习选项），那么我建议下面的文档，它遵循“数据挖掘：实用机器学习工具和技术“，Witten和Frank：

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