如何检测一个网站是抢注者？

Question

我正在尝试检测某些网站是否是“有效”网站。使网站无效的一些因素：

• 返回错误状态代码
• 页面内容为空
• 网站是抢注者（例如，网址指向 GoDaddy 页面，或任何显示来注册此域的页面！）

我正试图弄清楚如何检测网站是否是擅自占地者。如果这很重要，我正在使用 Java。有什么想法吗？

Answer 1

在我看来，Machine Learning 的任务听起来不错。

收集网站样本，其中一些是“擅自占地者”，而另一些则不是（这称为训练集）。

使用bag of words 模型或tf-idf model（或任何其他模型）作为您的特征空间，并使用一些supervised learning algorithm（SVM，decision trees，...）训练分类器。

在运行时，使用您的分类器来确定网站是否是擅自占地者。

Weka 是一个实现许多机器学习算法的 java 库，可能会对您有所帮助。