2023年全國(guó)碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩58頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

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

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(qǐng)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(qǐng)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(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論