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(bào)或認(rèn)領(lǐng)
文檔簡介
1、隨著信息技術(shù)的發(fā)展,深度網(wǎng)絡(luò)蘊(yùn)含的數(shù)據(jù)越來越多,如何有效地獲取深度網(wǎng)絡(luò)中的數(shù)據(jù)已經(jīng)成為當(dāng)前的研究熱點(diǎn)。深度網(wǎng)絡(luò)往往只提供一個(gè)查詢接口供用戶使用,用戶需要提交查詢關(guān)鍵詞從深度網(wǎng)絡(luò)中獲取數(shù)據(jù)。
目前,存在較多關(guān)鍵詞查詢算法,典型的有Google使用的TF-IDF算法和Ntoulas等人提出的自適應(yīng)貪婪算法。TF-IDF算法只關(guān)注深度網(wǎng)絡(luò)中的重要文檔,不關(guān)注單個(gè)深度網(wǎng)絡(luò)的文檔覆蓋率,適用于大型爬蟲。自適應(yīng)貪婪算法利用貪心的思想獲取最
2、大的單個(gè)深度網(wǎng)絡(luò)文檔覆蓋率,效果較好,適合于中小型爬蟲。本文主要工作如下:
根據(jù)實(shí)際項(xiàng)目的需要,本文重點(diǎn)研究了自適應(yīng)貪婪算法。在此基礎(chǔ)上,本文提出了基于關(guān)鍵詞相關(guān)度篩選的自適應(yīng)貪婪算法。在某些專業(yè)領(lǐng)域中,關(guān)鍵詞高度關(guān)聯(lián),本文提出利用關(guān)鍵詞相關(guān)度來衡量不同關(guān)鍵詞間的關(guān)聯(lián)度,根據(jù)關(guān)鍵詞的相關(guān)度篩選關(guān)鍵詞,避免提交高度關(guān)聯(lián)的關(guān)鍵詞造成返回結(jié)果集的較大冗余。
當(dāng)網(wǎng)站限制返回查詢結(jié)果數(shù)量時(shí),返回結(jié)果集是原結(jié)果集的子集。受TF-
3、IDF思想啟發(fā),本文提出一種關(guān)鍵詞加權(quán)選詞法,認(rèn)為包含關(guān)鍵詞少的文檔和包含高詞頻關(guān)鍵詞的文檔帶來的冗余更小,比其他的文檔更重要。出現(xiàn)頻率高和關(guān)聯(lián)關(guān)鍵詞少的關(guān)鍵詞會(huì)被優(yōu)先選取,同時(shí)為了避免提交查詢次數(shù)過多,利用關(guān)鍵詞詞頻閾值判斷來避免匹配文檔過低的關(guān)鍵詞。
本文實(shí)現(xiàn)的深度網(wǎng)絡(luò)爬蟲系統(tǒng),利用改進(jìn)的算法來獲取深度網(wǎng)絡(luò)的數(shù)據(jù)。在爬蟲系統(tǒng)中主要實(shí)現(xiàn)了URL管理模塊、文檔下載模塊、信息抽取模塊、文本緩存模塊、查詢請求生成模塊等。有效地解決
4、了大量URL管理、文檔信息抽取,深度網(wǎng)絡(luò)關(guān)鍵詞有效選取等問題。爬蟲連續(xù)運(yùn)行較長時(shí)間,成功獲取上百萬文檔,達(dá)到中小爬蟲的性能。
通過對不同類型的數(shù)據(jù),包括新浪、搜狐、騰訊、網(wǎng)易的新聞數(shù)據(jù)和萬方的論文摘要數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),并將效果和原算法進(jìn)行對比,說明在專業(yè)領(lǐng)域,基于關(guān)鍵詞篩選的自適應(yīng)貪婪選算法在文檔覆蓋率等同的條件下單位資源消耗量少于原算法;在返回結(jié)果受限制的深度網(wǎng)絡(luò)中,關(guān)鍵詞加權(quán)選詞法在文檔覆蓋率、單位文檔資源消耗量都優(yōu)于原算
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(huì)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(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)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(shí)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
- 深度網(wǎng)絡(luò)信息爬取關(guān)鍵技術(shù)研究與實(shí)現(xiàn).pdf
- 基于深度信息的手勢識(shí)別研究及應(yīng)用.pdf
- 基于深度網(wǎng)絡(luò)的信息檢索模型研究.pdf
- 基于概念樹的主題爬取技術(shù)研究.pdf
- 基于主題的增量網(wǎng)頁并行爬取問題研究.pdf
- 突發(fā)事件案例及其輿情信息爬取、分類及語義檢索研究.pdf
- 突發(fā)事件案例及其輿情信息爬取、分類及語義檢索研究
- 博客資源的爬取與檢索.pdf
- 基于深度信息的圖像配準(zhǔn)算法及應(yīng)用研究.pdf
- 基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電場功率預(yù)測研究及應(yīng)用.pdf
- 基于深度神經(jīng)網(wǎng)絡(luò)的文本蘊(yùn)含識(shí)別及應(yīng)用研究.pdf
- 基于PKI的網(wǎng)絡(luò)信息安全的研究及應(yīng)用.pdf
- 深度神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用.pdf
- 基于用戶界面狀態(tài)改變的Ajax動(dòng)態(tài)網(wǎng)頁爬取算法研究.pdf
- 基于Scrapy爬取電商平臺(tái)數(shù)據(jù)及自動(dòng)問答系統(tǒng)的構(gòu)建.pdf
- Hadoop網(wǎng)頁爬取系統(tǒng)的時(shí)間同步算法研究.pdf
- 基于深度置信網(wǎng)絡(luò)的中文信息抽取方法.pdf
- 基于規(guī)則的論壇爬取與抽取一體化.pdf
- 面向領(lǐng)域的Deep Web的增量爬取.pdf
評論
0/150
提交評論