網(wǎng)頁查重算法研究.pdf

1、Internet的迅速普及和飛速發(fā)展，使人們面臨著一個(gè)信息的海洋，快速?gòu)闹蝎@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(fèi)存儲(chǔ)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(huì)提高檢索的

2、準(zhǔn)確率，節(jié)省用戶的時(shí)間和精力，而且對(duì)搜索系統(tǒng)本身而言可以節(jié)省網(wǎng)絡(luò)帶寬，降低存儲(chǔ)成本，提高搜索引擎的性能。 本文主要研究搜索引擎中網(wǎng)頁查重的問題。首先簡(jiǎn)要介紹了搜索引擎的原理，發(fā)展現(xiàn)狀，存在的不足和發(fā)展趨勢(shì)，以及本課題研究的背景和意義。其次對(duì)當(dāng)前國(guó)際和國(guó)內(nèi)相關(guān)領(lǐng)域的研究動(dòng)態(tài)進(jìn)行了深入的分析，詳盡介紹了網(wǎng)頁查重算法的起源和研究歷史，網(wǎng)頁查重算法的分類及各個(gè)分類的代表性算法，這些算法對(duì)原有算法的改進(jìn)、性能和優(yōu)缺點(diǎn)。其中著重介紹了非常優(yōu)

3、秀和經(jīng)典的算法shingling和simhash，許多算法都是基于這兩種算法的思想進(jìn)行的改進(jìn)。Google正是利用simhash來實(shí)現(xiàn)網(wǎng)頁查重。Charikar的simhash算法對(duì)檢測(cè)數(shù)萬億的存儲(chǔ)級(jí)別的相似網(wǎng)頁是非常實(shí)用的。作為指紋技術(shù)的simhash具有相似文檔的指紋只存在很小位數(shù)的不同的特性。Simhash是一種降維技術(shù)，可以將高維向量映射為位數(shù)較小的指紋。它在網(wǎng)頁中的應(yīng)用過程如下：首先將文檔轉(zhuǎn)化為特征碼的集合，每個(gè)特征碼附有一個(gè)

4、權(quán)值。特征碼的生成采用IR技術(shù)，比如分詞、大小寫轉(zhuǎn)換、停止詞去除。一個(gè)附有權(quán)值的特征碼的集合構(gòu)成一個(gè)高維向量，通過simhash可以將這個(gè)高維向量轉(zhuǎn)化為f位的指紋，f的值很小，比如64。最后詳盡介紹了在很多重要的項(xiàng)目中廣泛應(yīng)用并取得一致好評(píng)的開源項(xiàng)目Clucene，以及如何利用Clucene建立自己的搜索引擎系統(tǒng)，進(jìn)行索引和檢索查詢。Clucene提供了豐富的API函數(shù)，利用這些API函數(shù)可以方便的建立自己的搜索引擎系統(tǒng)。詳細(xì)介紹了主要