版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、隨著信息技術的發(fā)展,互聯(lián)網(wǎng)中的數(shù)據(jù)呈現(xiàn)出數(shù)據(jù)爆炸的趨勢,其中所包含的各種信息越來越多,互聯(lián)網(wǎng)已經(jīng)成為了人們獲取信息的一個主要渠道。然而,用戶有的時候只是知道自己所要尋找信息的關鍵詞,而不知道具體的網(wǎng)頁鏈接(URL)。因此,開發(fā)出一種工具來幫助用戶尋找自己需要的信息成為了自然語言處理的一個研究方向。于是,受到信息檢索的啟發(fā),有研究機構發(fā)明了搜索引擎,以方便用戶從網(wǎng)絡中搜索到自己所需要的信息。 搜索引擎的出現(xiàn)大大的方便了用
2、戶從互聯(lián)網(wǎng)上查找信息的過程,節(jié)約了用戶的處理時間,受到了互聯(lián)網(wǎng)使用者的歡迎?;ヂ?lián)網(wǎng)上也出現(xiàn)了很多著名的搜索引擎,如針對多種語言的Google搜索引擎和針對漢語的Baidu搜索引擎等。然而,‘受到商業(yè)利益的驅(qū)使,有些網(wǎng)站為了提高自己的點擊率,經(jīng)常大量轉(zhuǎn)載別的網(wǎng)站的文章;除此之外,各大網(wǎng)站也會爭相報道發(fā)生的熱門事件和大眾感興趣的焦點話題,這樣不僅增加了搜索引擎處理的負擔,也使得搜索引擎經(jīng)常返回很多內(nèi)容相同但是只是鏈接不同的結果,降低了搜索引
3、擎返回結果的有效性,也增加了用戶查找到自己需要的信息的時間。 去除重復的網(wǎng)頁是提高搜索引擎檢索效率和結果有效性的一個途徑。本文基于對文章的內(nèi)容的分析,提出了兩種較為有效的網(wǎng)頁查重算法:基于高頻詞的網(wǎng)頁查重算法和基于布爾模型的網(wǎng)頁查重算法。 基于高頻詞的網(wǎng)頁查重算法根據(jù)特征的頻率選擇特征,組成特征串,來判別重復網(wǎng)頁。而基于布爾模型的網(wǎng)頁查重算法則是選擇布爾模型來表示文本,同時將其運用到了文本的漢明距離計
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 網(wǎng)頁查重算法研究.pdf
- 基于內(nèi)容的網(wǎng)頁查重技術研究.pdf
- 中文網(wǎng)頁查重方法研究.pdf
- 基于網(wǎng)頁正文結構樹的近似網(wǎng)頁去重算法研究.pdf
- 網(wǎng)頁消重算法研究.pdf
- 基于重復串的STC網(wǎng)頁去重算法研究.pdf
- 基于模糊匹配思想的網(wǎng)頁去重算法.pdf
- 基于文本聚類的網(wǎng)頁消重算法研究.pdf
- 搜索引擎中網(wǎng)頁查重方法的研究.pdf
- 基于實體模型的布爾運算算法與實現(xiàn).pdf
- 相似網(wǎng)頁去重算法的并行化研究與實現(xiàn).pdf
- 基于內(nèi)容的跨語言網(wǎng)頁去重研究.pdf
- 基于BROESE RANK算法的網(wǎng)頁排序算法研究.pdf
- 基于學習算法的軟件故障記錄查重與修復人員指派問題研究.pdf
- 網(wǎng)頁排序中的隨機模型及算法.pdf
- 三維網(wǎng)絡模型的布爾運算算法研究.pdf
- 基于正文結構樹的近似網(wǎng)頁去重研究.pdf
- 基于網(wǎng)頁結構挖掘算法研究
- 基于Lucene的稿件查重研究與實現(xiàn).pdf
- 基于向量空間模型的網(wǎng)頁過濾研究.pdf
評論
0/150
提交評論