

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、時下,網(wǎng)絡作為主導信息來源手段對人們的生產(chǎn)生活方式帶來了迅速的轉(zhuǎn)變,信息檢索的便利性不言而喻。但是,傳統(tǒng)的搜索引擎無法使用戶在特定時間內(nèi)得到有效的檢索結(jié)果。基于此,主題搜索引擎應運而生,終將成為搜索引擎發(fā)展趨勢之一。主題搜索引擎是在傳統(tǒng)搜索引擎的基礎(chǔ)上增加了新的搜索引擎服務模式。主題搜索引擎中的爬蟲稱為主題爬蟲。主題爬蟲在傳統(tǒng)網(wǎng)絡爬蟲的功能上添加了主題確立和相關(guān)性評價兩個模塊。主題爬蟲注重爬行的深度,它的目標是保證盡可能多的爬行、下載與
2、主題相關(guān)的網(wǎng)頁。它主要需要解決主題確立、相關(guān)性分析評價以及搜索算法三個核心問題。
本文對主題定義與描述、相關(guān)性評價和搜索算法等網(wǎng)絡爬蟲關(guān)鍵技術(shù)做了詳細闡述。深入研究了基于向量空間模型(Vector Space Model, VSM)的主題爬蟲相關(guān)度計算以及搜索算法。通過對傳統(tǒng)模型主題爬蟲算法的研究分析,提出了一種基于向量空間模型的多粒度SH主題爬蟲算法。
論文主要工作如下:
1.傳統(tǒng)的向量空間模型用特征項表
3、示關(guān)鍵詞,用TF-IDF方法計算關(guān)鍵詞的權(quán)重,即通過計算關(guān)鍵詞在文本中出現(xiàn)的次數(shù)衡量相關(guān)度。通過此方法計算結(jié)果僅僅是對文本詞語的模糊匹配,忽略了Web頁面本身結(jié)構(gòu)特點,準確性較差。針對傳統(tǒng)TF-IDF計算方法存在的缺陷,對頁面中的特征項做了詳細研究分析。首先,考慮特征項在相同文本的不同位置和在不同文本的位置權(quán)重加入語義分析,很好的區(qū)分了他們的分配權(quán)值;然后,利用改進的 TF-IDF公式計算特征項權(quán)重,改進后的計算方法彌補了傳統(tǒng)公式中將所
4、有位置一視同仁的弊端;最后,將上述公式計算的權(quán)重結(jié)果代入向量空間模型中對文本相似度分析計算。與傳統(tǒng)模型下的算法相比,改進后的算法更能準確的獲取主題相關(guān)頁面。
2.分析Shark-search(鯊魚算法)和HITS(Hyperlink-Induced Topic Search)算法中的優(yōu)點與不足。針對Shark-search算法中的噪音鏈接、廣告鏈接的缺陷和HITS算法中的主題漂移現(xiàn)象(與查詢不太相關(guān)的普通頁面在查詢排序中比較靠
5、前的現(xiàn)象稱為主題漂移),深入分析Web頁面結(jié)構(gòu)。首先,對給定Web頁面進行分塊處理。處理方法采用VIPS(vision-based page segmentation)算法。VIPS算法的思想:從用戶角度觀察Web頁面,不去詳細分析Web頁面的內(nèi)部具體結(jié)構(gòu),而是把頁面中一個語義塊作為一個個單一對象研究;基于語義塊檢測出分隔條,依據(jù)分隔條Web頁面內(nèi)部結(jié)構(gòu)被重新構(gòu)建。然后,采用多粒度Shark-search算法,同時與依賴查詢的HITS算
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
- 基于支持向量機分類算法的主題爬蟲的研究與實現(xiàn).pdf
- 基于SVM分類算法的主題爬蟲研究.pdf
- 基于向量空間模型的文本分類算法研究.pdf
- 基于PageRank算法的主題爬蟲研究與設計.pdf
- 基于膜計算優(yōu)化算法的語義主題爬蟲研究.pdf
- 主題爬蟲算法的研究與實現(xiàn).pdf
- 基于遺傳算法的主題爬蟲搜索策略研究.pdf
- 基于向量空間模型的中文文本相似度算法研究.pdf
- 基于向量空間模型的網(wǎng)頁過濾研究.pdf
- 基于鏈接的主題爬蟲研究.pdf
- 一種基于向量空間模型的商品分類算法.pdf
- 基于向量空間模型的文本自動分類算法的研究與改進.pdf
- 基于向量空間模型的網(wǎng)頁過濾研究
- 基于網(wǎng)格技術(shù)的主題爬蟲算法優(yōu)化的研究與實現(xiàn).pdf
- 基于空間法向量的三維模型數(shù)字水印算法研究.pdf
- 基于垂直搜索引擎的主題爬蟲算法的研究.pdf
- 基于詞向量和主題向量的文本分類算法研究.pdf
- 基于詞匯鏈義原向量空間模型的話題跟蹤算法研究.pdf
- 基于查詢擴展的主題爬蟲研究.pdf
- 基于改進shark-search算法的主題爬蟲的研究與實現(xiàn).pdf
評論
0/150
提交評論