面向醫(yī)療主題的智能網(wǎng)絡(luò)爬蟲的研究與實現(xiàn).pdf

1、隨著網(wǎng)絡(luò)信息技術(shù)的向前發(fā)展,尤其是互聯(lián)網(wǎng)應(yīng)用的不斷增加和網(wǎng)頁信息的指數(shù)級增長,要在互聯(lián)網(wǎng)中準(zhǔn)確、快速地找到自己所需要的信息,搜索引擎是一種必不可少的工具。但是,百度、Google等全文搜索引擎都不是專門為檢索特定領(lǐng)域信息而設(shè)計的。當(dāng)人們需要搜索特定領(lǐng)域的信息的時候,搜索結(jié)果中卻出現(xiàn)了很多用戶不需要的信息,不能滿足一些特定用戶的需求。針對這個問題,針對特定領(lǐng)域的主題搜索引擎應(yīng)運而生。
　　主題搜索引擎的運轉(zhuǎn)則很需要智能網(wǎng)絡(luò)爬蟲在后臺

2、高效地運行?，F(xiàn)在主流主題爬蟲,智能化程度不高,大多都是基于人工給定目標(biāo)數(shù)據(jù)源進行抓取,或使用一些簡單的半自動方法進行爬取,這些方法智能化程度低,還處于非常初級的階段,遠沒有達到真正實際應(yīng)用的要求。Map/Reduce是Google公司提出的用于大規(guī)模數(shù)據(jù)處理的軟件架構(gòu),在其基礎(chǔ)上寫出來的應(yīng)用程序可以在計算機集群上對海量的信息進行處理,而且Map/Reduce架構(gòu)可擴展性強、容錯性好,其得到了學(xué)術(shù)界和工業(yè)界的廣泛認可。
　　隨著我國

3、醫(yī)療行業(yè)的發(fā)展以及醫(yī)療信息的大眾化,網(wǎng)絡(luò)中的醫(yī)療信息成為了人們關(guān)注的熱點。如何識別并獲取網(wǎng)絡(luò)中的醫(yī)療信息,如何對這些醫(yī)療信息進行有效的加工處理成為了大家研究的焦點。本文通過Map/Reduce構(gòu)建面向醫(yī)療主題的智能網(wǎng)絡(luò)爬蟲,這充分發(fā)揮了計算機集群強大的計算、處理能力,使得面向醫(yī)療主題的智能網(wǎng)絡(luò)爬蟲可以更加快速地抓取醫(yī)療主題的網(wǎng)頁,這為面向醫(yī)療主題的搜索引擎提供了大量醫(yī)療主題相關(guān)的網(wǎng)頁,且為后續(xù)的網(wǎng)頁排序等研究提供了重要的數(shù)據(jù)保障。

4、>　　本文的主要工作如下:
　　(1)提出了一種用于解決主題網(wǎng)頁識別問題的基于鏈接分析的網(wǎng)頁識別算法。該算法的主要思想是通過結(jié)合鏈接分析方法和主題URL知識庫,基于統(tǒng)計和社會網(wǎng)絡(luò)分析的思想來對網(wǎng)頁進行識別,得出相關(guān)的網(wǎng)頁識別模型。理論分析和實驗結(jié)果表明了該算法的可行性和有效性。
　　(2)提出了基于LDA和語料庫的網(wǎng)頁信息去噪算法,該算法通過LDA模型檢測出文檔詞語的各個主題類別后,然后利用主題語料庫對這些詞語進行過濾,去除