版權(quán)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(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、Internet的迅速普及和飛速發(fā)展,使人們面臨著一個信息的海洋,快速從中獲得真正重要的信息變得至關(guān)重要。搜索引擎(主要指全文搜索系統(tǒng))即是提供這種功能的一種工具。然而在搜索引擎返回的檢索結(jié)果中,存在大量的重復(fù)網(wǎng)頁,它們主要來自網(wǎng)站之間的轉(zhuǎn)載。這些內(nèi)容重復(fù)的網(wǎng)頁既占用了網(wǎng)絡(luò)帶寬,又浪費存儲資源,用戶不希望看到一堆內(nèi)容相同或近似的檢索結(jié)果,真正有用的結(jié)果往往淹沒在這些重復(fù)信息之中而不易被發(fā)現(xiàn)。如果能夠有效消除這些重復(fù)網(wǎng)頁,不但會提高檢索的
2、準(zhǔn)確率,節(jié)省用戶的時間和精力,而且對搜索系統(tǒng)本身而言可以節(jié)省大量的存儲資源,提高工作效率。 本文主要研究搜索引擎中的網(wǎng)頁消重問題。目前有效的網(wǎng)頁消重方法還比較少,主要都在服務(wù)器端實現(xiàn),即在搜索系統(tǒng)的采集器進(jìn)行網(wǎng)頁采集的過程中消除重復(fù)的網(wǎng)頁。目前使用的方法主要有基于相同URL的方法、基于聚類的方法、基于特征碼的方法和基于簽名的方法。其中聚類的方法是先將文本基于向量空問模型表示為一個向量,然后再應(yīng)用各種方法來實現(xiàn)聚類或分類。這種方法
3、的向量夾角計算具有很高的計算復(fù)雜度因而占用較多的處理時間。此后提出的基于特征碼的方法具有較高的消重效率,但仍然難以抵抗網(wǎng)頁轉(zhuǎn)載時產(chǎn)生的噪聲。 與以往消重工作不同的是,本文將消重工作分為服務(wù)器端和客戶端兩部分進(jìn)行。在研究了大量重復(fù)網(wǎng)頁的基礎(chǔ)上,將重復(fù)網(wǎng)頁的概念進(jìn)一步細(xì)分,分成內(nèi)容完全相同的網(wǎng)頁和經(jīng)過適當(dāng)編輯、裁剪等工作后形成的基本相同或相似網(wǎng)頁,并分別在搜索系統(tǒng)的服務(wù)器端和客戶端進(jìn)行這兩種不同類型網(wǎng)頁的消重工作。 在以上研
4、究工作的基礎(chǔ)上提出了一種基于網(wǎng)頁內(nèi)容特征串的新方法來解決服務(wù)器端的網(wǎng)頁消重問題。該方法充分利用了網(wǎng)頁的結(jié)構(gòu)特征,采取主碼和輔碼相結(jié)合的方式來標(biāo)識網(wǎng)頁文本。主碼用來標(biāo)識網(wǎng)頁文本的段落結(jié)構(gòu)信息,輔碼用來標(biāo)識網(wǎng)頁文本的內(nèi)容信息。本文采用對主碼進(jìn)行聚類,對相應(yīng)類別的輔碼進(jìn)行匹配的策略,提高了消重的準(zhǔn)確率和效率。實驗證明該方法具有比較理想的消重效果。 為了實現(xiàn)搜索系統(tǒng)的智能化和個性化定制功能,本文在服務(wù)器端消重的基礎(chǔ)上,又在客戶端提出了智
5、能代理模型。在此基礎(chǔ)上,分析了新聞類網(wǎng)頁的重復(fù)特點,提出了適用于客戶端的基于關(guān)鍵詞上下文匹配的網(wǎng)頁消重新算法。該算法利用新聞類網(wǎng)頁轉(zhuǎn)載率高、重復(fù)率高的特征,考慮到用戶搜索關(guān)鍵詞一般可以表征其所希望獲得的網(wǎng)頁,使用用戶提交關(guān)鍵詞的上下文來構(gòu)成匹配串,對各匹配串進(jìn)行比較來實現(xiàn)網(wǎng)頁消重。該算法采用模糊匹配的思想來抵抗網(wǎng)頁噪聲,引入可以根據(jù)需要進(jìn)行調(diào)整的模糊因子和重疊因子等參數(shù),得到了滿意的消重效果。 本文為了驗證所提出算法的有效性并比
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(quán)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(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)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(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)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(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)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
- 搜索引擎系統(tǒng)中網(wǎng)頁消重的研究與實現(xiàn).pdf
- 搜索引擎中網(wǎng)頁凈化與消重技術(shù)研究.pdf
- 網(wǎng)頁搜索引擎的使用
- 基于內(nèi)容的搜索引擎網(wǎng)頁去重研究.pdf
- 搜索引擎中網(wǎng)頁查重方法的研究.pdf
- 搜索引擎中近似鏡像網(wǎng)頁去重研究.pdf
- 搜索引擎中網(wǎng)頁分類和網(wǎng)頁凈化的研究與實現(xiàn).pdf
- 搜索引擎去重算法的研究與實現(xiàn).pdf
- 網(wǎng)頁消重和聚類算法在高校搜索引擎中的研究與應(yīng)用.pdf
- 基于網(wǎng)頁分塊思想的搜索引擎索引系統(tǒng).pdf
- 專業(yè)搜索引擎中網(wǎng)頁去重技術(shù)研究.pdf
- 搜索引擎系統(tǒng)的設(shè)計與實現(xiàn).pdf
- 傳統(tǒng)搜索引擎與智能搜索引擎比較研究.pdf
- 搜索引擎的研究與實現(xiàn)
- 基于網(wǎng)頁分塊的主題搜索引擎的研究與實現(xiàn).pdf
- [學(xué)習(xí)]搜索引擎優(yōu)化與搜索引擎營銷
- 企業(yè)搜索引擎中網(wǎng)頁分類技術(shù)的研究與實現(xiàn).pdf
- 游戲搜索引擎 --搜索引擎demo系統(tǒng)中l(wèi)ucene索引的實現(xiàn)---畢業(yè)論文
- 基于網(wǎng)頁結(jié)構(gòu)特征的垂直搜索引擎研究與實現(xiàn).pdf
- 基于搜索引擎網(wǎng)頁排序算法研究.pdf
評論
0/150
提交評論