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74頁未讀, 繼續(xù)免費閱讀

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),請進行舉報或認領(lǐng)

文檔簡介

1、近年來,互聯(lián)網(wǎng)信息量日益龐大,如何從海量數(shù)據(jù)中高效準確定位到目標信息成為搜索引擎的一大挑戰(zhàn)。構(gòu)建大規(guī)模集群實現(xiàn)對目標信息的分布式并行搜索是應對上述問題的重要途徑,這為分布式搜索領(lǐng)域的高速發(fā)展提供了土壤,許多與此相關(guān)的技術(shù)很快出現(xiàn),如Hadoop、Spark等,與此同時,對信息進行準確篩選與過濾顯得尤為重要,這便要求完善信息評判機制,以實現(xiàn)對信息的有效甄別。
  在上述前提下,本文深入分析了搜索引擎的相關(guān)原理和實現(xiàn)機制,詳細介紹了H

2、adoop相關(guān)技術(shù)和開源工具Lucene相關(guān)技術(shù),并在此基礎(chǔ)上展開了構(gòu)建高性能搜索引擎的研究工作。首先,為實現(xiàn)信息采集過程中URL高效過濾與去重,本文采用嵌入式數(shù)據(jù)庫BerkeleyDB記錄已處理鏈接隊列,BerkeleyDB與調(diào)用程序共享內(nèi)存空間保證了訪問的快捷性。其次,本文采用追加方式進行索引更新,針對新加入數(shù)據(jù)不必重建整個索引,而是為新數(shù)據(jù)單獨生成索引文件,并且可以獨立訪問。當追加索引文件個數(shù)達到閾值時引發(fā)合并操作,本文通過實驗選

3、取了最優(yōu)閾值大大提高了構(gòu)建索引的效率。然后,分析了已有的幾種網(wǎng)頁評分算法的優(yōu)缺點,基于Lucene固有的網(wǎng)頁評分算法做出了改進,提出了基于詞頻位置加權(quán)和文檔新鮮度的網(wǎng)頁評分算法,本算法不單是關(guān)注查詢關(guān)鍵詞在網(wǎng)頁中出現(xiàn)的次數(shù),還將查詢詞在網(wǎng)頁中出現(xiàn)的位置以及網(wǎng)頁的新鮮程度作為網(wǎng)頁得分的重要影響因子,這種方式能夠更加全面地評判網(wǎng)頁的優(yōu)劣程度。
  最后,本文先基于開源Java工具包Lucene構(gòu)建出單節(jié)點搜索子系統(tǒng),子系統(tǒng)具備完整搜索

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。

評論

0/150

提交評論