版權(quán)說(shuō)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、隨著互聯(lián)網(wǎng)規(guī)模的不斷發(fā)展擴(kuò)大,網(wǎng)絡(luò)數(shù)據(jù)呈現(xiàn)出了爆發(fā)式的增長(zhǎng),改變了人們的生活,逐漸影響各行各業(yè)原有的生產(chǎn)經(jīng)營(yíng)模式。網(wǎng)絡(luò)信息資源主要以網(wǎng)頁(yè)文本為載體,通過(guò)內(nèi)部鏈接指向,組成結(jié)構(gòu)復(fù)雜的信息網(wǎng)絡(luò)。通用搜索引擎面向全網(wǎng)絡(luò)進(jìn)行網(wǎng)頁(yè)抓取,信息的急速增長(zhǎng)使得其在時(shí)效性和覆蓋面上都很難得到保證。應(yīng)運(yùn)而生的垂直搜索引擎以主題爬蟲(chóng)為核心,專注于單一領(lǐng)域信息,靈活性強(qiáng),很好的滿足了人們對(duì)于特定主題信息的查找需求。
本論文基于原有的主題爬蟲(chóng)算法框架,
2、針對(duì)主題爬蟲(chóng)運(yùn)行過(guò)程中的爬行策略進(jìn)行研究,采用支持向量機(jī)分類模型對(duì)網(wǎng)頁(yè)主題相關(guān)性和鏈接錨文本主題進(jìn)行分類預(yù)測(cè),共同決定待爬取鏈接的優(yōu)先級(jí)。同時(shí)改變鏈接隊(duì)列的形式,設(shè)置四段式分級(jí)鏈接隊(duì)列,以提高主題爬蟲(chóng)的工作效率和主題收獲率。具體工作內(nèi)容主要包括:
1)對(duì)下載的搜狗實(shí)驗(yàn)室網(wǎng)頁(yè)文本語(yǔ)料集進(jìn)行數(shù)據(jù)預(yù)處理,如利用ICTCLAS進(jìn)行中文分詞、使用卡方檢驗(yàn)選取特征列表、通過(guò)計(jì)算TF-IDF值來(lái)設(shè)置特征權(quán)重。訓(xùn)練支持向量機(jī)分類模型,通過(guò)特征
3、維數(shù)選擇、參數(shù)尋優(yōu)得到表現(xiàn)較好的網(wǎng)頁(yè)文本主題分類器。
2)將訓(xùn)練得到的網(wǎng)頁(yè)文本主題分類器嵌入到通用爬蟲(chóng)系統(tǒng)中,在提取網(wǎng)頁(yè)內(nèi)部鏈接的同時(shí)保存對(duì)應(yīng)的錨文本信息,抓取到對(duì)應(yīng)網(wǎng)頁(yè)后進(jìn)行主題分類,然后對(duì)保存的錨文本進(jìn)行標(biāo)注,生成錨文本語(yǔ)料集?;阱^文本語(yǔ)料集進(jìn)行分類模型訓(xùn)練,得到錨文本主題分類器。
3)結(jié)合訓(xùn)練得到的兩個(gè)分類器,嵌入到設(shè)計(jì)的主題爬蟲(chóng)系統(tǒng)框架中,將URL隊(duì)列劃分為四段鏈?zhǔn)浇Y(jié)構(gòu)。通過(guò)當(dāng)前網(wǎng)頁(yè)主題和鏈接錨文本主題相關(guān)
4、性一起決定鏈接的抓取優(yōu)先級(jí),壓入不同的鏈中,從而使得主題爬蟲(chóng)能夠較快的發(fā)現(xiàn)主題相關(guān)頁(yè)面,提高抓取效率。
4)以爬蟲(chóng)的抓取速度和主題收獲率作為評(píng)價(jià)指標(biāo),對(duì)本文中設(shè)計(jì)的主題爬蟲(chóng)系統(tǒng)進(jìn)行測(cè)試對(duì)比,頁(yè)面抓取速度達(dá)到298/min,主題收獲率基本穩(wěn)定在80%以上,通過(guò)對(duì)比,論證系統(tǒng)的實(shí)際可行性及其相對(duì)優(yōu)勢(shì)。
最后利用設(shè)計(jì)實(shí)現(xiàn)的主題爬蟲(chóng)以各大門(mén)戶網(wǎng)站為入口,進(jìn)行頁(yè)面抓取,得到體育類網(wǎng)頁(yè)集,建立索引庫(kù),實(shí)現(xiàn)信息檢索,完成對(duì)抓取數(shù)據(jù)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)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。
最新文檔
- 基于領(lǐng)域本體的主題爬蟲(chóng)系統(tǒng)研究與實(shí)現(xiàn).pdf
- 基于SVM分類算法的主題爬蟲(chóng)研究.pdf
- 基于SVM的網(wǎng)絡(luò)爬蟲(chóng)檢測(cè)研究與實(shí)現(xiàn).pdf
- 支持Ajax技術(shù)的主題網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)研究與實(shí)現(xiàn).pdf
- 主題爬蟲(chóng)的研究與實(shí)現(xiàn).pdf
- 基于SVM的圖像檢索系統(tǒng)研究與實(shí)現(xiàn).pdf
- 主題網(wǎng)絡(luò)爬蟲(chóng)的研究與實(shí)現(xiàn).pdf
- 主題爬蟲(chóng)算法的研究與實(shí)現(xiàn).pdf
- 基于本體的主題爬蟲(chóng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于SVM的智能郵件過(guò)濾系統(tǒng)研究與實(shí)現(xiàn).pdf
- 基于日志分析的增量主題爬蟲(chóng)研究與實(shí)現(xiàn).pdf
- 基于領(lǐng)域概念定制的主題爬蟲(chóng)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于廣度優(yōu)先的主題爬蟲(chóng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于網(wǎng)頁(yè)內(nèi)容和鏈接的主題爬蟲(chóng)研究與實(shí)現(xiàn).pdf
- 基于內(nèi)容和鏈接的主題爬蟲(chóng)的研究與實(shí)現(xiàn).pdf
- 主題爬蟲(chóng)系統(tǒng)的研究.pdf
- 基于網(wǎng)格技術(shù)的主題爬蟲(chóng)算法優(yōu)化的研究與實(shí)現(xiàn).pdf
- 基于領(lǐng)域本體的主題爬蟲(chóng)研究及實(shí)現(xiàn).pdf
- 面向農(nóng)業(yè)主題的爬蟲(chóng)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于SVM的P2P流量檢測(cè)系統(tǒng)研究與實(shí)現(xiàn).pdf
評(píng)論
0/150
提交評(píng)論