随着信息技术的不断发展,网页分类已经成为目前研究的一个热点。网页分类,即根据一定的分类规则实现大量Web文本的自动归类。它能够对网页进行有序组织,改善信息检索的性能,提高网络资源的利用率。特征提取是网页分类过程中的一个重要步骤,也是网页实现高效分类的前提,提取算法的优劣将直接影响到分类器的性能。介绍了网页自动分类的原理、过程和发展,详细阐述了分类流程的各个步骤,并分析、比较了几种常见的分类算法。在网页分类过程中,详细研究了特征提取方法,阐述了特征提取的意义和工作原理。在介绍常用的特征提取算法基础上,系统分析了互信息(MI)和?2统计量(CHI)算法,发现MI算法忽略负值特征、过分倾向低频词,而CHI算法无法过滤无用高频词、对特有低频词又不重视。此外,二者均未考虑特征词在类别中的出现概率对分类的影响。针对以上不足,对MI和CHI算法做了相应改进。在特征提取对象上,分析了可提取的对象范围,重点考虑了标题、正文、超链接、超文本标记等信息,并根据特征出现的不同位置,赋予不同权重,从而提出了位置加权法。同时在预处理上考虑到停用词表的不完备性和计算复杂度,直接使用正则表达式提取对文本类别最具代表性的名词和动词作为初始特征,实现向量空间的初步降维。为了验证改进的特征提取方法,将其应用到具体的中文网页分类系统中,实验结果表明,改进的特征提取方法不仅提高了分类质量,还提升了分类效率,有效减少了计算开销。