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70頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著網絡技術的發(fā)展、Web3.0時代的到來以及信息需求的變化,通用搜索引擎的缺點表現得越來越明顯?;ヂ摼W上每天都有海量信息生成、共享和更新,而目前通用搜索引擎更新的時間相對較久,不能滿足人們日益增長的個性化服務的需要,主題搜索技術的出現將很好地解決這一問題。
  本文對通用搜索引擎的出現、發(fā)展以及搜索引擎的基本知識、技術進行了研究,并系統(tǒng)的分析了搜索引擎的系統(tǒng)結構、關鍵技術;在此基礎上對通用搜索引擎與主題搜索引擎的關鍵技術進行了重

2、點研究、對比,并對主題搜索引擎中的關鍵技術進行了剖析。
  在上述研究的基礎上,本文在Nutch開源軟件的基礎上設計實現了垂直搜索引擎的各個模塊,主要就主題判定、網頁去重、中文分詞等模塊進行了算法的設計與改進,使得垂直搜索引擎的準確率、召回率和效率都遠遠高于通用搜索引擎。主要工作包括:
  1)就目前比較成熟的網絡爬蟲策略算法的PageRank、HITS、Partial PageRank進行了研究,針對現存的問題提出了新的爬

3、取策略IPR(Improved PageRank)算法,可以實現主題信息的重點提取與保存。
  2)各式各樣的網站層出不窮,相同的內容可能被幾個網站同時報道、登錄,這將造成網頁的重復爬取與存取,所以網頁的去重是本文研究的重點之一,主要就網頁信息的提取、網頁相似度的對比判定進行了研究改進,降低存儲網頁的重復率。
  3)中文分詞是中文搜索引擎的關鍵技術之一,好的中文分詞是搜索引擎高召回率、高效率的保障,本文在最大匹配算法的基礎

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,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔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