2023年全國(guó)碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩79頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

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、隨著信息時(shí)代的發(fā)展,網(wǎng)絡(luò)信息在社會(huì)生活中的價(jià)值越來越大,網(wǎng)絡(luò)已成為人們發(fā)布和獲取信息的重要渠道,各種信息資源的數(shù)量也呈爆炸式增長(zhǎng),受信息需求驅(qū)動(dòng)而出現(xiàn)的搜索引擎業(yè)已成為網(wǎng)絡(luò)用戶獲得信息的重要手段。然而,在數(shù)以億計(jì)的網(wǎng)頁中,存在著規(guī)模龐大的內(nèi)容重復(fù)網(wǎng)頁,主要來自于網(wǎng)頁轉(zhuǎn)載,有些是完全相同,有些是部分相同的。這些冗余的網(wǎng)頁給搜索引擎帶來很大的負(fù)擔(dān),嚴(yán)重影響著搜索引擎的性能和用戶的體驗(yàn)。因此,為了提高檢索質(zhì)量,重復(fù)網(wǎng)頁檢測(cè)和消除已經(jīng)成為搜索引

2、擎無法回避的問題,網(wǎng)頁去重也因此成為了信息檢索領(lǐng)域中的一個(gè)熱點(diǎn)領(lǐng)域。
   網(wǎng)頁查重分為兩個(gè)部分:一是網(wǎng)頁的預(yù)處理,包括網(wǎng)頁格式的轉(zhuǎn)換、噪聲去除和提取出正文內(nèi)容;二是基于網(wǎng)頁內(nèi)容進(jìn)行去重處理。國(guó)內(nèi)外已有的去重算法主要有一下幾種:基于URL去重、基于語法去重和基于語義去重。
   本文首先介紹了國(guó)內(nèi)外的網(wǎng)頁凈化研究現(xiàn)狀,對(duì)已有的算法進(jìn)行了簡(jiǎn)要的分析,進(jìn)而提出了基于標(biāo)記窗的網(wǎng)頁正文提取算法。其主要原理是用DOM將網(wǎng)頁表示成一

3、顆標(biāo)簽樹,再遍歷DOM樹,去除鏈接、圖片和腳本等噪音之后,將每一層的容器標(biāo)簽和其中的文本作為標(biāo)記窗析取出來,根據(jù)文本的語法特點(diǎn)賦予標(biāo)記窗權(quán)值,取權(quán)值最大者。
   然后,本文系統(tǒng)綜述了國(guó)內(nèi)外已有的去重算法,提出了基于大段落和長(zhǎng)句的網(wǎng)頁去重算法,算法中使用BloomFilter進(jìn)行相似性判斷,并且提出了一套新的相似度度量指標(biāo)。具體過程是對(duì)提取出來的正文,從符合條件的大段落中提取出長(zhǎng)句子,并且截取長(zhǎng)句子兩端各L個(gè)字符組成特征碼;將網(wǎng)

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(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