2023年全國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57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),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著Internet的迅猛發(fā)展,網(wǎng)絡(luò)上的信息呈現(xiàn)爆發(fā)式的增長。通用搜索引擎已經(jīng)不能滿足人們對于個性化信息的需求,此時,面向特定領(lǐng)域的垂直搜索引擎應(yīng)運(yùn)而生。垂直搜索引擎可以滿足特定領(lǐng)域、人群的特定需求,能夠為用戶提供高質(zhì)量、個性化的信息。主題爬蟲是垂直搜索引擎中的重要組成部分。主題爬蟲是根據(jù)用戶定制的主題,智能的爬行網(wǎng)絡(luò)上的主題相關(guān)資源,過濾主題無關(guān)資源,為垂直搜索引擎提供了數(shù)據(jù)來源。
   本文分析了主題爬蟲的系統(tǒng)結(jié)構(gòu)、技術(shù)原理

2、,重點(diǎn)討論了爬蟲的主題表達(dá)、頁面的主題相關(guān)性分析和主題搜索算法。本文的主要研究工作如下:
   1)在主題表達(dá)方面,基于關(guān)鍵詞集合的主題表達(dá)不全面、精度不高,對此,本文提出了一種基于關(guān)鍵詞動態(tài)擴(kuò)充的表示方法。首先,需要構(gòu)建一個基本的關(guān)鍵詞集合;其次,本文提出了一種基于位置的TF-IDF(Term Frequency-Inverse Document Frequency)加權(quán)算法,根據(jù)文本在網(wǎng)頁中的位置進(jìn)行加權(quán),可以提取網(wǎng)頁的特征

3、詞;最后,在爬蟲爬行的過程中,利用頁面與主題的相似度和單詞匹配頻率等信息擴(kuò)充特征詞到主題庫集合中,進(jìn)而提升主題表達(dá)精度和覆蓋面。
   2)本文分析了Shark Search搜索算法,針對該算法在有些方面的不足進(jìn)行了改進(jìn)。在SharkSearch算法中,主題爬行策略采用的是鏈接上下文信息,但是,網(wǎng)頁中的鏈接上下文信息經(jīng)常充斥著噪音,反而會干擾鏈接的預(yù)測。本文提出利用URL字符本身的信息來替代鏈接上下文信息。因為URL字符串能代表

4、其指向的網(wǎng)頁內(nèi)容,本文通過分析URL字符串的結(jié)構(gòu),得到一些啟發(fā)式信息,利用這些信息可以將URL字符串“翻譯”為可識別的文本信息,有利于計算它們與主題的相似度。此外,Shark Search算法是貪婪的,因此,很難在Web圖中找到全局最優(yōu)解,本文引入了隧道分析技術(shù)來解決Shark Search算法的貪婪性問題。
   本文綜合基于關(guān)鍵詞動態(tài)擴(kuò)充的主題爬行算法和改進(jìn)的Shark Search算法,將主題表示和主題預(yù)測結(jié)合起來,從整個

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(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。

評論

0/150

提交評論