網(wǎng)頁消重算法研究.pdf

1、Internet上超過80億個網(wǎng)頁的海量數(shù)據(jù)使互聯(lián)網(wǎng)成為當(dāng)今世界上最大的信息庫和全球范圍內(nèi)傳播信息的最主要渠道，也為廣大用戶提供了一個巨大價值的，廣闊的獲取信息的渠道。但當(dāng)我們使用搜索引擎在互聯(lián)網(wǎng)中搜索信息的時候總是經(jīng)常會出現(xiàn)大量的重復(fù)信息，具體表現(xiàn)為搜索引擎的搜索結(jié)果極為龐大，在這浩瀚的數(shù)據(jù)中尋找我們需要的信息無異于是大海撈針。這是搜索引擎領(lǐng)域亟待解決的一個問題。網(wǎng)頁消重是搜索引擎領(lǐng)域里一個重要環(huán)節(jié)。由于網(wǎng)頁中存在難以辨別的模板信息，

2、廣告等噪音，當(dāng)前常用的檢測算法都無法有效排除這一影響，所以都存在根本性的缺陷。 本文提出了兩種網(wǎng)頁消重檢測算法能有效解決這一問題。并將這兩種算法跟兩種常見的算法進(jìn)行了對比測試，用實驗證明了這兩種算法的優(yōu)點。 本文在大量實驗和數(shù)據(jù)分析的基礎(chǔ)上，得到了如下研究成果和結(jié)論： 1)提出了一種基于單一MD5指紋的網(wǎng)頁消重高效檢測算法。該算法對網(wǎng)頁正文塊(可見文字)進(jìn)行排序，選取最大的t個文本塊，將這些文本塊連接在一起，生成

3、一個代表該網(wǎng)頁的MD5指紋，若兩個網(wǎng)頁有相同的指紋則認(rèn)為他們是近似網(wǎng)頁。 2)提出了一種改進(jìn)的基于關(guān)鍵詞匹配和向量空間模型的近似網(wǎng)頁檢測算法。該算法對網(wǎng)頁正文塊(可見文字)進(jìn)行排序，選取最大的t個文本塊，從這些文本塊中提取代表網(wǎng)頁的特征值，最后對特征值提取網(wǎng)頁指紋并進(jìn)行對比，得出最終結(jié)果。 3)最后將本文提出算法跟兩種常見的算法進(jìn)行了對比，并用實驗證明了本文提出的算法的優(yōu)點，這兩種算法在時間復(fù)雜度、空間復(fù)雜度、召回率等性