一種確定網頁類型的方法和裝置的製作方法
2023-05-09 10:38:16
專利名稱：一種確定網頁類型的方法和裝置的製作方法
一種確定網頁類型的方法和裝置技術領域：
本發明涉及計算機技術領域，特別涉及一種確定網頁類型的方法和裝置。背景技術：
隨著網絡技術的迅猛發展，網絡信息的不斷豐富，用戶已經習慣於通過搜尋引擎從網絡中獲取關心的信息。在搜尋引擎技術中，無論是需求分析、搜索結果排序或個性化搜索，均可能涉及到確定網頁類型的操作。諸如，在需求分析中，通過分析搜索日誌中query 對應的被點擊網頁的類型即可確定該query的搜索需求；在搜索結果排序中，根據網頁類型與query搜索需求之間的一致性確定網頁在搜索結果中的排序；在個性化搜索中，通過分析搜索日誌中用戶所點擊、瀏覽的網頁的類型，確定用戶的搜索習慣或搜索興趣，從而為用戶提供符合其搜索習慣或搜索興趣的個性化搜索結果。
現有的確定網頁類型的方式，主要是抽取網頁文本的文本特徵向量，利用分類器對各網頁進行分類確定網頁類型，其中在抽取網頁文本的文本特徵向量時，需要下載網頁內容，對網頁內容進行文本分析，提取出核心詞及其權重構成文本特徵向量。這種方式存在以下缺陷
缺陷一需要下載和分析網頁內容，對於海量數據而言，效率較低，速度較慢。
缺陷二 很多網站為了提高其在搜尋引擎中的排序，會人為在網頁中加入大量的類別關鍵詞，這種作弊手段很大程度上影響了確定這些網頁類型的準確性。
缺陷三網絡中存在大量不同形式的網頁，網頁形式的千差萬別對於分析網頁內容帶來難度。
發明內容
有鑑於此，本發明提供了一種確定網頁類型的方法和裝置，以便於解決現有方式中存在的上述缺陷。
具體技術方案如下
一種確定網頁類型的方法，該方法包括
S1、獲取搜索日誌中待識別網頁被點擊時所對應的所有query ；
S2、確定步驟SI所獲取query的各η元詞組n-gram構成所述待識別網頁的特徵向量，η為預設的一個或多個正整數；
S3、基於所述待識別網頁的特徵向量和各預設類型的特徵向量之間的相關性，確定所述待識別網頁的類型。
根據本發明一優選實施例，所述步驟SI還包括獲取所述待識別網頁的標題；
所述步驟S2中還包括確定所述待識別網頁的標題的各n-gram，將所述待識別網頁的標題的各n-gram與所述步驟SI所獲取query的各n-gram共同構成所述待識別網頁的特徵向量。
根據本發明一優選實施例，所述預設類型的特徵向量是預先基於各預設類型的訓練語料的n-gram形成的。
根據本發明一優選實施例，所述預設類型的訓練語料的獲取方法包括
Al、獲取所述預設類型的種子query ；
A2、獲取搜索日誌中所述種子query對應的被點擊網頁，保留被點擊次數大於設 定被點擊次數閾值的網頁；
A3、確定所述搜索日誌中步驟A2保留的網頁被點擊時對應的所有query,記錄各 query對應的網頁被點擊次數，得到所述預設類型的訓練語料；或者，確定所述搜索日誌中 步驟A2保留的網頁被點擊時對應的所有query和網頁標題,記錄各query對應的網頁被點 擊次數和網頁標題的出現次數，得到所述預設類型的訓練語料。
根據本發明一優選實施例，所述步驟S3具體包括
計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的重疊率，根據計 算的重疊率確定待識別網頁的類型；或者，
計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的相似度，根據計 算的相似度確定待識別網頁的類型；或者，
預先將各預設類型的特徵向量作為特徵訓練出分類器，所述待識別網頁的特徵向 量作為所述分類器的輸入，依據所述分類器的分類結果確定所述待識別網頁的類型。
根據本發明一優選實施例，計算所述待識別網頁的特徵向量與預設類型的特徵向 量之間的重疊率包括
計算所述待識別網頁的特徵向量和預設類型的特徵向量之間重疊的n-gram在待 識別網頁的特徵向量中的出現次數乘以所述重疊的n-gram在預設類型的特徵向量中的權 重之和，再除以所述待識別網頁的特徵向量中所有n-gram的出現次數之和所得到的值；
其中，預設類型的特徵向量中n-gram的權重為在該預設類型的訓練語料中該 n-gram的出現次數與所有n-gram的總出現次數的比值。
根據本發明一優選實施例，計算所述待識別網頁的特徵向量與各預設類型的特徵 向量之間的相似度包括
計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的餘弦相似度；
其中，預設類型的特徵向量中各n-gram的權重為各n-gram的詞頻tf*逆向文檔 頻率idf ;所述待識別網頁的特徵向量中各n-gram的權重為各n-gram的tf* idf。
根據本發明一優選實施例，在將各預設類型的特徵向量作為特徵訓練出分類器 時，預設類型的特徵向量中n-gram的權重為n_gram的出現次數與所有n-gram的總出現 次數的比值，或者，各n-gram的tf* idf。
根據本發明一優選實施例，所述分類器為最大熵分類器或者支持向量機SVM分 類器。
根據本發明一優選實施例，所述根據計算的重疊率確定待識別網頁的類型包括 將重疊率大於設定重疊率閾值的預設類型確定為所述待識別網頁的類型；或者，將重疊率 排在前NI個的預設類型確定為所述待識別網頁的類型，所述NI為預設的正整數；或者，按 照預設的重疊率值與類型等級之間的對應關係，確定所述待識別網頁在各類型上的等級；
所述根據計算的相似度確定待識別網頁的類型包括將相似度大於設定相似度閾 值的預設類型確定為所述待識別網頁的類型；或者，將相似度排在前N2個的預設類型確定為所述待識別網頁的類型，所述N2為預設的正整數；或者，按照預設的相似度值與類型等級之間的對應關係，確定所述待識別網頁在各類型上的等級。
一種確定網頁類型的裝置，該裝置包括
query獲取單元,用於獲取搜索日誌中待識別網頁被點擊時所對應的所有query ；
第一向量確定單元,用於確定所述query獲取單元所獲取query的各η元詞組 n-gram構成所述待識別網頁的特徵向量，η為預設的一個或多個正整數；
類型確定單元，用於基於所述待識別網頁的特徵向量和各預設類型的特徵向量之間的相關性，確定所述待識別網頁的類型。
根據本發明一優選實施例，該裝置還包括標題獲取單元，用於獲取所述待識別網頁的標題；
所述第一向量確定單元，還用於確定所述待識別網頁的標題的各n-gram，將所述待識別網頁的標題的各n-gram與所述query獲取單元所獲取query的各n-gram共同構成所述待識別網頁的特徵向量。
根據本發明一優選實施例，該裝置還包括第二向量確定單元，用於預先基於各預設類型的訓練語料的n-gram形成所述預設類型的特徵向量。
根據本發明一優選實施例，該裝置還包括語料獲取單元，用於獲取所述預設類型的種子query ;獲取搜索日誌中所述種子query對應的被點擊網頁，保留被點擊次數大於設定被點擊次數閾值的網頁；確定保留的網頁被點擊時對應的所有query,記錄各query對應的網頁被點擊次數，得到所述預設類型的訓練語料，或者，確定保留的網頁被點擊時對應的所有query和網頁標題,記錄各query對應的網頁被點擊次數和網頁標題的出現次數，得到所述預設類型的訓練語料。
根據本發明一優選實施例，所述類型確定單元計算所述待識別網頁的特徵向量與各預設類型的特徵向量 之間的重疊率，根據計算的重疊率確定待識別網頁的類型；或者，
計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的相似度，根據計算的相似度確定待識別網頁的類型；或者，
預先將各預設類型的特徵向量作為特徵訓練出分類器，所述待識別網頁的特徵向量作為所述分類器的輸入，依據所述分類器的分類結果確定所述待識別網頁的類型。
根據本發明一優選實施例，所述類型確定單元在計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的重疊率時，具體計算所述待識別網頁的特徵向量和預設類型的特徵向量之間重疊的n-gram在待識別網頁的特徵向量中的出現次數乘以所述重疊的 n-gram在預設類型的特徵向量中的權重之和，再除以所述待識別網頁的特徵向量中所有 n-gram的出現次數之和所得到的值；
其中，預設類型的特徵向量中n-gram的權重為在該預設類型的訓練語料中該 n-gram的出現次數與所有n-gram的總出現次數的比值。
根據本發明一優選實施例，所述類型確定單元在計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的相似度時，具體計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的餘弦相似度；
其中，預設類型的特徵向量中各n-gram的權重為各n-gram的詞頻tf*逆向文檔頻率idf ;所述待識別網頁的特徵向量中各n-gram的權重為各n-gram的tf* idf。
根據本發明一優選實施例，所述類型確定單元在將各預設類型的特徵向量作為特徵訓練出分類器時，預設類型的特徵向量中n-gram的權重為n_gram的出現次數與所有 n-gram的總出現次數的比值,或者,各n-gram的tf* idf。
根據本發明一優選實施例，所述分類器為最大熵分類器或者支持向量機SVM分類器。
根據本發明一優選實施例，所述類型確定單元在根據計算的重疊率確定待識別網頁的類型時，將重疊率大於設定重疊率閾值的預設類型確定為所述待識別網頁的類型；或者，將重疊率排在前NI個的預設類型確定為所述待識別網頁的類型，所述NI為預設的正整數；或者，按照預設的重疊率值與類型等級之間的對應關係，確定所述待識別網頁在各類型上的等級；
所述類型確定單元在根據計算的相似度確定待識別網頁的類型時，將相似度大於設定相似度閾值的預設類型確定為所述待識別網頁的類型；或者，將相似度排在前N2個的預設類型確定為所述待識別網頁的類型，所述N2為預設的正整數；或者，按照預設的相似度值與類型等級之間的對應關係，確定所述待識別網頁在各類型上的等級。
由以上技術方案可以看出，本發明提供的方法和裝置具備以下優點
I)特徵向量來自搜索日誌，無需下載和分析網頁內容，提高了效率和速度，適合於海量的待識別網頁的需求，且效果更加明顯。
2)由於本發明中特徵向量來自搜索日誌而不是網頁內容，因此，對於人為在網頁中加入大量類別關鍵詞的作弊手段不會影響網頁類型的識別，提高了識別準確性。
3)本發明的網頁類別確定方式與網頁內容和形式都無關，因此，適用面更廣。
圖1為本發明實施例一提供的主要方法流程圖2為本發明實施例二提供的預設類型的訓練語料的獲取方法流程圖3為本發明實施例六提供的確定網頁類型的裝置結構圖。
具體實施方式
為了使本發明的目的、技術方案和優點更加清楚，下面結合附圖和具體實施例對本發明進行詳細描述。
實施例一、
通過對用戶的搜索行為進行分析後發現，用戶提交query進行搜索後，在搜索結果中點擊的網頁通常能夠反映該用戶的需求，反過來，被點擊網頁對應的query也能夠反映該網頁的類型。基於此，本發明提供的方法如圖1所示，主要包括以下步驟
步驟101 :獲取搜索日誌中待識別網頁被點擊時所對應的所有query。
在本發明實施例中，收集待識別網頁在搜索日誌中被點擊時對應的所有query，這些query反映了待識別網頁的類型，因此，通過這些query來確定該待識別網頁的特徵向量。
另外，通常用戶在搜索後點擊某個網頁時很大程度上是受到了網頁標題(title) 的影響，因此這些title通常也表徵了網頁的重要信息。在此，還可以進一步獲取該待識別網頁的title，用於形成待識別網頁的特徵向量。
步驟102 :確定步驟101所獲取query的各n-gram構成該待識別網頁的特徵向量。
在此,對n-gram的概念進行簡單介紹,所謂n-gram就是最小粒度的η個詞語按順序出現的組合，其中η為預設的一個或多個正整數。例如，對於query 「簡單家常菜的做法大全」，對該query進行分詞處理和去除停用詞後，假設η取1、2、3和4，則確定出的n-gram 如下
Ι-gram :簡單、家常菜、做法、大全；
2-gram :簡單家常菜、家常菜做法、做法大全；
3-gram :簡單家常菜做法、家常菜做法大全；
4-gram :簡單家常菜做法大全。
如果在步驟101中同時獲取了待識別網頁的title，則可以同時確定title的 n-gram,與上述query的n-gram共同構成待識別網頁的特徵向量。
另外，在待識別網頁的特徵向量中，同時記錄各n-gram在步驟101獲取的query 和title中的出現次數。
步驟103 :基於該待識別網頁的特徵向量和各預設類型的特徵向量之間的相關性，確定該待識別網頁的類型。
在本步驟中，各預設類型的特徵向量是預先基於各預設類型的訓練語料的n-gram 形成的，所述預設類型包括但不限於軟體類、圖片類、視頻類、地圖類、遊戲類、小說類、音樂類等。
各預設類型的訓練語料中包含多個對應類型的網頁在搜索日誌中被點擊時對應的query集合，也可以進一步包括多 個對應類型的網頁的title，同時記錄各網頁在搜索日誌中的被點擊次數。各預設類型的訓練語料的形成過程將在實施例二中具體描述。
然後確定預設類型的訓練語料的n-gram,並基於各n-gram在訓練語料中的出現次數確定各n-gram的權重,構成各n-gram的特徵向量。
本步驟中，待識別網頁的特徵向量和各預設類型的特徵向量之間的相關性可以通過三種方式確定
其一、計算待識別網頁的特徵向量與各預設類型的特徵向量之間的重疊率，通過該重疊率表徵兩者之間的相關性，具體參見實施例三。
其二、計算待識別網頁的特徵向量與各預設類型的特徵向量之間的相似度，通過相似度表徵兩者之間的相關性，具體參見實施例四。
其三、將各預設類型的特徵向量作為特徵訓練出分類器，利用分類器確定待識別網頁的特徵向量與各預設類型的特徵向量之間的相關度，具體參見實施例五。
通常網頁通過url進行標識，在本發明的下述實施例中，均採用url標識網頁。下面通過實施例二對各預設類型的訓練語料的獲取過程進行簡單描述。
實施例二、
圖2為本發明實施例二提供的預設類型的訓練語料的獲取方法流程圖，如圖2所示，針對某類型的訓練語料的獲取方法包括以下步驟
步驟201 :獲取該類型的種子query。
該種子query能夠充分體現出該類型的需求即可，由於種子query的數量不需要很大，通常幾十個即可，因此，可以採用人工配置的方式。
以菜譜類為例，配置的種子query可以是家常菜做法、家常菜的做法大全、菜譜、 常用菜譜、川菜菜譜、等等。為了方便理解和舉例，在此以兩個種子query 「家常菜做法」和 「家常菜的做法大全」為例。
步驟202 :獲取搜索日誌中種子query對應的被點擊url，保留被點擊次數大於設定點擊次數閾值的url。
例如，種子query 「家常菜做法」和「家常菜的做法大全」對應的被點擊url中被點擊次數滿足被點擊次數閾值的url如表I所示
表I
權利要求
1.一種確定網頁類型的方法，其特徵在於，該方法包括51、獲取搜索日誌中待識別網頁被點擊時所對應的所有query；52、確定步驟SI所獲取query的各η元詞組n-gram構成所述待識別網頁的特徵向量,η為預設的一個或多個正整數；53、基於所述待識別網頁的特徵向量和各預設類型的特徵向量之間的相關性，確定所述待識別網頁的類型。
2.根據權利要求1所述的方法，其特徵在於，所述步驟SI還包括獲取所述待識別網頁的標題；所述步驟S2中還包括確定所述待識別網頁的標題的各n-gram，將所述待識別網頁的標題的各n-gram與所述步驟SI所獲取query的各n-gram共同構成所述待識別網頁的特徵向量。
3.根據權利要求1所述的方法，其特徵在於，所述預設類型的特徵向量是預先基於各預設類型的訓練語料的n-gram形成的。
4.根據權利要求3所述的方法，其特徵在於，所述預設類型的訓練語料的獲取方法包括Al、獲取所述預設類型的種子query ；A2、獲取搜索日誌中所述種子query對應的被點擊網頁，保留被點擊次數大於設定被點擊次數閾值的網頁；A3、確定所述搜索日誌中步驟A2保留的網頁被點擊時對應的所有query,記錄各query對應的網頁被點擊次數，得到所述預設類型的訓練語料；或者，確定所述搜索日誌中步驟A2保留的網頁被點擊時對應的所有query和網頁標題，記錄各query對應的網頁被點擊次數和網頁標題的出現次數，得到所述預設類型的訓練語料。
5.根據權利要求1至4任一權項所述的方法，其特徵在於，所述步驟S3具體包括計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的重疊率，根據計算的重疊率確定待識別網頁的類型；或者，計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的相似度，根據計算的相似度確定待識別網頁的類型；或者，預先將各預設類型的特徵向量作為特徵訓練出分類器，所述待識別網頁的特徵向量作為所述分類器的輸入，依據所述分類器的分類結果確定所述待識別網頁的類型。
6.根據權利要求5所述的方法，其特徵在於，計算所述待識別網頁的特徵向量與預設類型的特徵向量之間的重疊率包括計算所述待識別網頁的特徵向量和預設類型的特徵向量之間重疊的n-gram在待識別網頁的特徵向量中的出現次數乘以所述重疊的n-gram在預設類型的特徵向量中的權重之和，再除以所述待識別網頁的特徵向量中所有n-gram的出現次數之和所得到的值；其中，預設類型的特徵向量中n-gram的權重為在該預設類型的訓練語料中該n-gram的出現次數與所有n-gram的總出現次數的比值。
7.根據權利要求5所述的方法，其特徵在於，計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的相似度包括計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的餘弦相似度；其中，預設類型的特徵向量中各n-gram的權重為各n-gram的詞頻tf*逆向文檔頻率idf ;所述待識別網頁的特徵向量中各n-gram的權重為各n-gram的tf* idf。
8.根據權利要求5所述的方法，其特徵在於，在將各預設類型的特徵向量作為特徵訓練出分類器時，預設類型的特徵向量中n-gram的權重為n_gram的出現次數與所有n-gram的總出現次數的比值，或者，各n-gram的tf* idf。
9.根據權利要求5所述的方法，其特徵在於，所述分類器為最大熵分類器或者支持向量機SVM分類器。
10.根據權利要求5所述的方法，其特徵在於，所述根據計算的重疊率確定待識別網頁的類型包括將重疊率大於設定重疊率閾值的預設類型確定為所述待識別網頁的類型；或者，將重疊率排在前NI個的預設類型確定為所述待識別網頁的類型，所述NI為預設的正整數；或者，按照預設的重疊率值與類型等級之間的對應關係，確定所述待識別網頁在各類型上的等級；所述根據計算的相似度確定待識別網頁的類型包括將相似度大於設定相似度閾值的預設類型確定為所述待識別網頁的類型；或者，將相似度排在前N2個的預設類型確定為所述待識別網頁的類型，所述N2為預設的正整數；或者，按照預設的相似度值與類型等級之間的對應關係，確定所述待識別網頁在各類型上的等級。
11.一種確定網頁類型的裝置，其特徵在於，該裝置包括query獲取單元，用於獲取搜索日誌中待識別網頁被點擊時所對應的所有query ；第一向量確定單元，用於確定所述query獲取單元所獲取query的各η元詞組n-gram構成所述待識別網頁的特徵向量，η為預設的一個或多個正整數；類型確定單元，用於基於所述待識別網頁的特徵向量和各預設類型的特徵向量之間的相關性，確定所述待識別網頁的類型。
12.根據權利要求11所述的裝置，其特徵在於，該裝置還包括標題獲取單元，用於獲取所述待識別網頁的標題；所述第一向量確定單元，還用於確定所述待識別網頁的標題的各n-gram，將所述待識別網頁的標題的各n-gram與所述query獲取單元所獲取query的各n-gram共同構成所述待識別網頁的特徵向量。
13.根據權利要求11所述的裝置，其特徵在於，該裝置還包括第二向量確定單元，用於預先基於各預設類型的訓練語料的n-gram形成所述預設類型的特徵向量。
14.根據權利要求13所述的裝置，其特徵在於，該裝置還包括語料獲取單元，用於獲取所述預設類型的種子query ;獲取搜索日誌中所述種子query對應的被點擊網頁,保留被點擊次數大於設定被點擊次數閾值的網頁；確定保留的網頁被點擊時對應的所有query，記錄各query對應的網頁被點擊次數，得到所述預設類型的訓練語料，或者，確定保留的網頁被點擊時對應的所有query和網頁標題，記錄各query對應的網頁被點擊次數和網頁標題的出現次數，得到所述預設類型的訓練語料。
15.根據權利要求11至14任一權項所述的裝置，其特徵在於，所述類型確定單元計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的重疊率，根據計算的重疊率確定待識別網頁的類型；或者，計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的相似度，根據計算的相似度確定待識別網頁的類型；或者，預先將各預設類型的特徵向量作為特徵訓練出分類器，所述待識別網頁的特徵向量作為所述分類器的輸入，依據所述分類器的分類結果確定所述待識別網頁的類型。
16.根據權利要求15所述的裝置，其特徵在於，所述類型確定單元在計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的重疊率時，具體計算所述待識別網頁的特徵向量和預設類型的特徵向量之間重疊的n-gram在待識別網頁的特徵向量中的出現次數乘以所述重疊的n-gram在預設類型的特徵向量中的權重之和，再除以所述待識別網頁的特徵向量中所有n-gram的出現次數之和所得到的值；其中，預設類型的特徵向量中n-gram的權重為在該預設類型的訓練語料中該n-gram的出現次數與所有n-gram的總出現次數的比值。
17.根據權利要求15所述的裝置，其特徵在於，所述類型確定單元在計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的相似度時，具體計算所述待識別網頁的特徵向量與各預設類型的特徵向量之間的餘弦相似度；其中，預設類型的特徵向量中各n-gram的權重為各n-gram的詞頻tf*逆向文檔頻率idf ;所述待識別網頁的特徵向量中各n-gram的權重為各n-gram的tf* idf。
18.根據權利要求15所述的裝置，其特徵在於，所述類型確定單元在將各預設類型的特徵向量作為特徵訓練出分類器時，預設類型的特徵向量中n-gram的權重為n-gram的出現次數與所有n-gram的總出現次數的比值,或者,各n-gram的tf* idf。
19.根據權利要求15所述的裝置，其特徵在於，所述分類器為最大熵分類器或者支持向量機SVM分類器。
20.根據權利要求15所述的裝置，其特徵在於，所述類型確定單元在根據計算的重疊率確定待識別網頁的類型時，將重疊率大於設定重疊率閾值的預設類型確定為所述待識別網頁的類型；或者，將重疊率排在前NI個的預設類型確定為所述待識別網頁的類型，所述NI為預設的正整數；或者，按照預設的重疊率值與類型等級之間的對應關係，確定所述待識別網頁在各類型上的等級；所述類型確定單元在根據計算的相似度確定待識別網頁的類型時，將相似度大於設定相似度閾值的預設類型確定為所述待識別網頁的類型；或者，將相似度排在前N2個的預設類型確定為所述待識別網頁的類型，所述N2為預設的正整數；或者，按照預設的相似度值與類型等級之間的對應關係，確定所述待識別網頁在各類型上的等級。
全文摘要
本發明提供了一種確定網頁類型的方法和裝置，其中方法包括S1、獲取搜索日誌中待識別網頁被點擊時所對應的所有query；S2、確定步驟S1所獲取query的各n元詞組(n-gram)構成所述待識別網頁的特徵向量，n為預設的一個或多個正整數；S3、基於所述待識別網頁的特徵向量和各預設類型的特徵向量之間的相關性，確定所述待識別網頁的類型。本發明具有提高網頁類型確定的效率和速度，抗作弊能力強，適用面更廣等優點。
文檔編號G06F17/30GK103020067SQ201110282850
公開日2013年4月3日 申請日期2011年9月21日 優先權日2011年9月21日
發明者黃際洲 申請人:北京百度網訊科技有限公司