目前,随着网络技术的翻天覆地的发展变化,互联网上的信息资源日益丰富,已经成为人们在日常生活、学习和工作中快速获取信息的重要途径。因此,如何有效地处理网上信息,成为信息处理领域一个很重要的研究课题,有效的方法是对网页进行自动分类处理,然而,大部分的研究者都是在自己建立的训练库上做测试得出结论。分类算法的分类性能和训练库之间相关,高质量的训练库会使分类器得到比较好的分类性能。在本文中,主要研究训练库自动获取的方法。虽然对训练库的研究很少,但是有几个方面的原因说明它是值得研究。首先,如果训练库的建立过程能够自动实现,特别是训练样本能够自动获取,将提高训练库建立的速度,将减轻人们的工作量,加快分类的速度。其次,对于普通用户也能迅速建立起自己所需要的训练库,将减少人们在整个分类过程中手工参与的程度。最后,将建立的训练库和分类效果比较好的分类算法结合在一起,能提高分类的准确率,同时也能对训练库进一步的改进和提高。对于训练库的自动获取,本文主要做了以下几个方面的工作:(1)针对传统的手工获取训练网页,本文提出了基于Google Web API的方法来收集网页作为训练样本,快速获取网页,减少人们的工作量。(2)改造了传统的训练库结构,传统训练库中的类是并列的,改进为具有类层次结构的,并且尽量把训练库中所有的类都具有层次结构,即对于每个父类,都有一个或者几个子类,利用父类及其子类的类名作为查询关键词,利用Google Web API来收集网络资源,并把它们作为训练样本来训练所有的层次上的类。(3)通过分析,我们可以利用类的相关词组一步用来收集更多训练样本。反复的应用提出的方法能获得高质量的训练样本,进而提高分类器的性能,经过经验,用这种方法建立的训练库能提高分类的准确率。总之,本文的主要内容就是关于训练库自动获取,最后指出了研究中的不足之处,并对今后的研究工作做了进一步的展望。