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),請進行舉報或認領(lǐng)
文檔簡介
1、1998年,世界上第一個搜索引擎系統(tǒng)GOOGLE在其誕生之初,就以超強的實用性贏得了廣大網(wǎng)民的使用熱情,其準確、快速的網(wǎng)絡導航性,往往能使人們在第一時間找到自己所要的信息。但是,近年來,隨著互聯(lián)網(wǎng)上信息的急劇膨脹,現(xiàn)有搜索引擎的一些不完善性也逐漸暴露出來,開始越來越讓人無法忍受,其中最嚴重的就是返回結(jié)果中經(jīng)常包含有大量的重復網(wǎng)頁,人們將其稱為近似鏡像網(wǎng)頁。這些網(wǎng)頁的內(nèi)容有的是一字不拉的完全重復,有的只是其中一部分重復。近似鏡像網(wǎng)頁存在的
2、主要原因是網(wǎng)絡上的非法復制。對搜索引擎系統(tǒng)本身來說,這些近似鏡像網(wǎng)頁的存在極大得浪費了寶貴的存儲資源,降低了索引效率。對用戶來說,這些網(wǎng)頁是毫無意義的,但是卻不得不花費時間去瀏覽它們,而它們的存在本身也是對知識產(chǎn)權(quán)的一種侵犯。因此,準確、快速的去除近似鏡像網(wǎng)頁,不僅對搜索引擎的深遠發(fā)展來說是一項必不可少的措施,而且對知識產(chǎn)權(quán)也是一個有力保護。
近年來,不斷的有學者提出一些近似鏡像網(wǎng)頁去重的方法,這些方法對內(nèi)容完全重復的近似鏡像
3、網(wǎng)頁的去重效果都相當不錯,但是對內(nèi)容部分重復的近似鏡像網(wǎng)頁的去重效果卻差強人意。
在本文中,我們依據(jù)網(wǎng)頁重復的特征,充分利用網(wǎng)頁文本自身的特點,提出了一種動態(tài)的近似鏡像網(wǎng)頁去重方法。該方法首先分析各種網(wǎng)頁的正文結(jié)構(gòu)表現(xiàn)形式,對現(xiàn)有的網(wǎng)頁正文結(jié)構(gòu)表現(xiàn)形式進行分類;然后對每篇網(wǎng)頁根據(jù)其結(jié)構(gòu)表現(xiàn)形式將其正文表示成正文結(jié)構(gòu)樹的形式;最后通過從正文結(jié)構(gòu)樹中動態(tài)的提取特征來進行相似度計算,從而實現(xiàn)近似鏡像網(wǎng)頁的檢測與去重。本文在大量實驗和
4、真實數(shù)據(jù)分析的基礎(chǔ)上,得到了如下研究成果和結(jié)論:
1.通過人工分析各種網(wǎng)頁的正文結(jié)構(gòu)表現(xiàn)形式,將其分為四大類,其中又包含各種小類。對每一類表現(xiàn)形式,都提出了相應的段落權(quán)值分配方法。
2.將網(wǎng)頁的正文表示成正文結(jié)構(gòu)樹的形式,并提出了由網(wǎng)頁正文向正文結(jié)構(gòu)樹轉(zhuǎn)化的算法。
3.提出了動態(tài)提取文本特征進行相似度計算的文本復制監(jiān)測方法,并提出了層次指紋的相似度計算算法。
4.用大量網(wǎng)頁對本文提出的方法的性能進
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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 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)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(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。
最新文檔
- 近似鏡像網(wǎng)頁去重方法研究.pdf
- 搜索引擎中近似鏡像網(wǎng)頁去重研究.pdf
- 基于正文結(jié)構(gòu)樹的近似網(wǎng)頁去重研究.pdf
- 基于網(wǎng)頁正文結(jié)構(gòu)樹的近似網(wǎng)頁去重算法研究.pdf
- 基于正文結(jié)構(gòu)和長句提取的網(wǎng)頁去重研究.pdf
- 基于模糊匹配思想的網(wǎng)頁去重算法.pdf
- 基于內(nèi)容的跨語言網(wǎng)頁去重研究.pdf
- 基于重復串的STC網(wǎng)頁去重算法研究.pdf
- 基于文本聚類的網(wǎng)頁消重算法研究.pdf
- 基于內(nèi)容的搜索引擎網(wǎng)頁去重研究.pdf
- 基于特征碼的大規(guī)模中文網(wǎng)頁并行去重方法.pdf
- 基于文本的敏感信息的監(jiān)測調(diào)度與去重研究.pdf
- 虛擬機鏡像文件去重技術(shù)研究.pdf
- 大規(guī)模文本去重策略研究.pdf
- 網(wǎng)頁正文提取及去重技術(shù)研究.pdf
- 基于近似網(wǎng)頁聚類算法的Web文本數(shù)據(jù)挖掘技術(shù)的研究與應用.pdf
- 相似網(wǎng)頁去重算法的并行化研究與實現(xiàn).pdf
- 中文農(nóng)業(yè)網(wǎng)頁去重及相似度判斷研究.pdf
- 基于重分析近似方法的優(yōu)化研究.pdf
- 基于近似文本分析的意見挖掘.pdf
評論
0/150
提交評論