2023年全國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70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),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、互聯(lián)網(wǎng)技術(shù)越來越普及,搜索引擎已經(jīng)成為了人們生活、學(xué)習(xí)、工作中不可缺少的工具,這些通用搜索引擎給我們提供了強(qiáng)大的信息搜尋功能。然而,隨著信息量的越來越大、用戶使用量增多、需求的日益精化,傳統(tǒng)通用搜索引擎信息檢索不夠深入、搜索結(jié)果與需求不匹配等問題越來越突出?;陬I(lǐng)域的垂直搜索引擎應(yīng)運(yùn)而生。
  基于領(lǐng)域的網(wǎng)絡(luò)爬蟲,是針對某一個行業(yè)的主題信息進(jìn)行抓取,故抓取下來的信息都是滿足了特定需求的用戶深入查詢的需求,具有專、精的特點(diǎn)。

2、  本文首先詳細(xì)介紹了現(xiàn)有的搜索引擎種類與現(xiàn)狀,闡述了傳統(tǒng)搜索引擎的不足以及主要的抓取策略與抓取算法,并進(jìn)一步分析了這些算法的優(yōu)缺點(diǎn)。并闡述了現(xiàn)有的基于領(lǐng)域網(wǎng)絡(luò)爬蟲的研究熱點(diǎn)。
  其次本文對現(xiàn)在流行的開源網(wǎng)絡(luò)爬蟲架構(gòu)進(jìn)行了詳細(xì)的介紹,并在此基礎(chǔ)之上選取Heritrix+Lucene搭建了針對手機(jī)信息的爬蟲平臺。之后,分析了Heritrix網(wǎng)絡(luò)爬蟲的設(shè)計結(jié)構(gòu)與擴(kuò)展點(diǎn),進(jìn)行了一些源碼的改進(jìn),消除了Heritrix網(wǎng)絡(luò)爬蟲的一些設(shè)計缺

3、陷。針對傳統(tǒng)搜索引擎的缺點(diǎn),并比較現(xiàn)有的一些領(lǐng)域主題網(wǎng)絡(luò)爬蟲的抓取算法,本文提出全新的基于領(lǐng)域的網(wǎng)絡(luò)爬蟲抓取策略。以Shark-Search主題搜索算法為基礎(chǔ),在利用VSM模型計算文本相似度時引入概念權(quán)重,構(gòu)建基于手機(jī)信息領(lǐng)域的本體模型以及語義矩陣。根據(jù)標(biāo)題、meta、錨文件、上下文等位置信息設(shè)置文本結(jié)構(gòu)權(quán)重值,進(jìn)一步細(xì)化了領(lǐng)域主題相似度計算方法。本文結(jié)合PageRank改進(jìn)的網(wǎng)頁重要度算法考慮到了父頁面的重要度對子頁面的影響,結(jié)合前面

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(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空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)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(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)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(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)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

評論

0/150

提交評論