搜索引擎中網(wǎng)絡(luò)爬蟲及結(jié)果聚類的研究與實(shí)現(xiàn).pdf_第1頁(yè)
已閱讀1頁(yè),還剩54頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)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、隨著網(wǎng)絡(luò)科技和搜索技術(shù)的快速發(fā)展,人們生活中越來(lái)越多地通過(guò)互聯(lián)網(wǎng)和搜索引擎來(lái)獲取各種信息。搜索引擎通過(guò)網(wǎng)絡(luò)爬蟲定期地從互聯(lián)網(wǎng)上抓取新的網(wǎng)頁(yè),并為網(wǎng)頁(yè)內(nèi)容建立索引數(shù)據(jù)庫(kù),以方便后續(xù)的信息檢索。網(wǎng)絡(luò)爬蟲的爬行效率直接影響著搜索引擎的檢索效果,爬行的規(guī)模越大,周期越短,查全率就越高。另一方面,近年來(lái)隨著搜索引擎提供服務(wù)的多樣性,網(wǎng)絡(luò)成為人們獲取新聞資訊的主要媒介之一,新聞熱點(diǎn)搜索等方面的中文短文本在線聚類和語(yǔ)詞間語(yǔ)義層面的聚類需求越來(lái)越多。本

2、文主要針對(duì)搜索引擎中的網(wǎng)絡(luò)爬蟲和搜索結(jié)果的短文本聚類進(jìn)行了研究。在網(wǎng)絡(luò)爬蟲方面,為了提高爬蟲性能,主要是對(duì)爬蟲的核心模塊----頁(yè)面解析模塊和去重模塊分別給出了相應(yīng)的改進(jìn)方法。主要內(nèi)容如下:
   ⑴對(duì)于爬蟲的頁(yè)面解析方法,改變了Weblech等開(kāi)源爬蟲中所使用的利用HTML tag標(biāo)簽匹配抽取的方式,而是將半結(jié)構(gòu)化的文檔轉(zhuǎn)化為XML,進(jìn)而表示成DOM文檔對(duì)象模型來(lái)抽取內(nèi)容,這種方式充分利用了結(jié)構(gòu)化信息容易抽取的優(yōu)勢(shì),同時(shí)也方便

3、使用很多優(yōu)秀的讀寫XML的開(kāi)源程序比如DOM4J,JDOM來(lái)改進(jìn)程序的效率。
   ⑵爬蟲系統(tǒng)中如何高效去重是個(gè)較復(fù)雜的議題,傳統(tǒng)的概率算法BloomFilter 在URLs去重上表現(xiàn)出了非常好的空間效率,但也伴隨著一定的誤判率,且誤判率會(huì)隨著爬行規(guī)模的增大而提高。本文提出一種基于Bloom Filter的分段哈希算法對(duì)爬蟲的URLs 去重模塊進(jìn)行了改進(jìn),在減小誤判率的基礎(chǔ)上提高爬蟲性能。
   ⑶通過(guò)對(duì)上述頁(yè)面解析和U

4、RLs去重改進(jìn)方法的實(shí)現(xiàn),本文改進(jìn)的爬蟲相比原有的Weblech系統(tǒng)和開(kāi)源爬蟲Larbin 而言不僅能解析出更多的有效鏈接,而且有效的提高了爬蟲的性能。
   ⑷在搜索結(jié)果的短文本聚類方面,由于已有的文本在線聚類算法當(dāng)處理中文短文本時(shí),聚類特性沒(méi)有得到最理想的發(fā)揮,同時(shí)為了滿足語(yǔ)詞間語(yǔ)義或者概念層面的聚類,本文提出一種中文短文本在線聚類算法,并分別給出改進(jìn)的編輯距離來(lái)進(jìn)行中文短文本的相似性度量,以及利用搜索引擎的檢索結(jié)果來(lái)進(jìn)行語(yǔ)

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)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