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61頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、當今中國,隨著互聯(lián)網的普及和網絡終端的高速發(fā)展,網絡已經深入到了人們生活的方方面面。面對海量的網絡信息,搜索引擎的出現(xiàn)極大的方便了普通用戶的操作,但大量的重復或近似網頁使得用戶對搜索結果不甚滿意。如何有效的查找并去除這些重復或近似的網頁,提高搜索的效率,已經成為一種迫切的需要。在這種形勢下,網頁查重技術得到了極大發(fā)展。
   當前的查重方法主要是針對英文等字母體系的語言,中文由于語言的復雜性,在網頁的查重問題上存在著較大的困難。

2、本文主要研究搜索引擎中中文網頁查重的問題,借鑒了計算生物學的序列比對技術,提出了一種基于詞性標注(POS)和最長公共子序列(LCS)相結合的網頁查重方法。論文主要工作如下:
   (1)介紹了網頁查重技術的起源以及常見的網頁查重方法,并對其特點進行了對比分析,理清了論文研究的方向和思路。
   (2)對網頁預處理技術進行了研究,重點對網頁正文提取技術和中文語言體系進行了分析,并對中文分詞和詞性標注方法進行仔細比較。著重對

3、基于隱馬爾可夫模型的分詞和詞性標注進行了認真學習和研究,為選擇合適的分詞和詞性標注方法奠定了基礎。
   (3)闡述了計算生物學領域的序列比對技術的思想,對序列比對算法(特別是動態(tài)規(guī)劃算法)進行了認真研究,最終決定把LCS的動態(tài)規(guī)劃算法作為研究使用的網頁相似度計算方法。
   (4)對基于Lucene建立全文搜索平臺的流程和方法進行了認真學習,將ICTCLAS內嵌到Lucene的分詞模塊中,搭建了基于Lucene和JSP

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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。

評論

0/150

提交評論