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、研究表明,近似鏡像網(wǎng)頁(yè)數(shù)占總網(wǎng)頁(yè)數(shù)的比例高達(dá)29%,而完全相同的頁(yè)面大約占22%。根據(jù)CNNIC 2005年7月發(fā)布的統(tǒng)計(jì)報(bào)告,用戶在回答“檢索信息時(shí)遇到的最大問題”這一提問時(shí),選擇“重復(fù)信息太多”這一選項(xiàng)的占44.6%,排名問題榜的第1位。如果搜索引擎能夠找出這些重復(fù)網(wǎng)頁(yè)并從數(shù)據(jù)庫(kù)中去掉,不僅可以節(jié)省存儲(chǔ)空間,也可以提高有效網(wǎng)頁(yè)的收集速度,還可以根據(jù)網(wǎng)頁(yè)的鏡像度來(lái)制定更為合理的網(wǎng)頁(yè)搜集策略和輸出結(jié)果定序(Ranking)算法。因而,如
2、何快速準(zhǔn)確地發(fā)現(xiàn)這些內(nèi)容上相似的網(wǎng)頁(yè)已經(jīng)成為提高搜索引擎服務(wù)質(zhì)量的關(guān)鍵技術(shù)之一。
通過分析大量重復(fù)網(wǎng)頁(yè),本文發(fā)現(xiàn)重復(fù)網(wǎng)頁(yè)有以下兩個(gè)特征:
①重復(fù)網(wǎng)頁(yè)的正文可以表示成一棵正文結(jié)構(gòu)樹。其中標(biāo)題為根結(jié)點(diǎn),每個(gè)自然段按照其在正文結(jié)構(gòu)中所處的層次表示為樹相應(yīng)層次的一個(gè)結(jié)點(diǎn)。
②重復(fù)網(wǎng)頁(yè)的正文內(nèi)容很可能有所變化,但網(wǎng)頁(yè)的正文結(jié)構(gòu)形式通常不會(huì)改變或改變很小。即使最壞情況的分頁(yè)轉(zhuǎn)載形式,網(wǎng)頁(yè)的正文結(jié)構(gòu)也不會(huì)發(fā)生
3、較大變化,只不過分頁(yè)轉(zhuǎn)載后的網(wǎng)頁(yè)正文結(jié)構(gòu)樹是其原文正文結(jié)構(gòu)樹的一(幾)棵子樹分支。
針對(duì)網(wǎng)頁(yè)重復(fù)的特點(diǎn)和網(wǎng)頁(yè)正文的結(jié)構(gòu)特征,本文提出了一種動(dòng)態(tài)的、層次的、魯棒性強(qiáng)的網(wǎng)頁(yè)去重算法。該方法先對(duì)網(wǎng)頁(yè)進(jìn)行必要的去噪處理,其次將網(wǎng)頁(yè)正文通過正文結(jié)構(gòu)樹生成算法表示成一棵正文結(jié)構(gòu)樹(除根節(jié)點(diǎn)外,正文結(jié)構(gòu)樹的結(jié)點(diǎn)對(duì)應(yīng)于正文中的自然段),然后動(dòng)態(tài)地、層次地從樹中抽取結(jié)點(diǎn)段落作為長(zhǎng)句提取算法的輸入得到層次指紋,最后通過層次指紋的相似度計(jì)算算法
4、得到網(wǎng)頁(yè)的相似度,從而實(shí)現(xiàn)鏡像網(wǎng)頁(yè)和近似鏡像網(wǎng)頁(yè)的檢測(cè)。動(dòng)態(tài)地、分層地對(duì)正文進(jìn)行特征抽取和層次指紋計(jì)算,保證了去重算法的效率;通過長(zhǎng)句提取算法得到結(jié)點(diǎn)指紋,保證了算法的魯棒性。
實(shí)驗(yàn)表明,該方法相對(duì)于基于自然段簽名算法和基于長(zhǎng)句提取算法有更好的召回率。該方法不僅解決了在正文前后添刪信息的近似鏡像網(wǎng)頁(yè),也解決了在正文中添刪信息的近似鏡像網(wǎng)頁(yè),還解決了分頁(yè)轉(zhuǎn)載的近似鏡像網(wǎng)頁(yè)。此方法在搜索引擎重復(fù)網(wǎng)頁(yè)的過濾中有很好的應(yīng)用前景和較
溫馨提示
- 1. 本站所有資源如無(wú)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(yè)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(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。
最新文檔
- 基于正文結(jié)構(gòu)樹的近似網(wǎng)頁(yè)去重研究.pdf
- 基于網(wǎng)頁(yè)正文結(jié)構(gòu)樹的近似網(wǎng)頁(yè)去重算法研究.pdf
- 網(wǎng)頁(yè)正文提取及去重技術(shù)研究.pdf
- 基于文本結(jié)構(gòu)的近似鏡像網(wǎng)頁(yè)去重.pdf
- 基于內(nèi)容的跨語(yǔ)言網(wǎng)頁(yè)去重研究.pdf
- 基于重復(fù)串的STC網(wǎng)頁(yè)去重算法研究.pdf
- 基于模糊匹配思想的網(wǎng)頁(yè)去重算法.pdf
- 基于視覺語(yǔ)義塊的網(wǎng)頁(yè)正文提取算法研究.pdf
- 基于標(biāo)簽分析的網(wǎng)頁(yè)正文提取技術(shù)研究.pdf
- 基于內(nèi)容的搜索引擎網(wǎng)頁(yè)去重研究.pdf
- 近似鏡像網(wǎng)頁(yè)去重方法研究.pdf
- 結(jié)合網(wǎng)頁(yè)結(jié)構(gòu)特征與內(nèi)容特征的正文提取.pdf
- 基于Web頁(yè)面結(jié)構(gòu)的網(wǎng)頁(yè)數(shù)據(jù)提取研究.pdf
- 基于特征碼的大規(guī)模中文網(wǎng)頁(yè)并行去重方法.pdf
- 基于多特征融合的網(wǎng)頁(yè)正文提取及雙語(yǔ)網(wǎng)站探測(cè).pdf
- 相似網(wǎng)頁(yè)去重算法的并行化研究與實(shí)現(xiàn).pdf
- 網(wǎng)頁(yè)去噪與特征提取算法的研究及實(shí)現(xiàn).pdf
- 中文農(nóng)業(yè)網(wǎng)頁(yè)去重及相似度判斷研究.pdf
- 搜索引擎中近似鏡像網(wǎng)頁(yè)去重研究.pdf
- Web網(wǎng)頁(yè)去噪及信息提取算法的研究與應(yīng)用.pdf
評(píng)論
0/150
提交評(píng)論