PageRank算法在非網(wǎng)頁檢索問題中的應(yīng)用.pdf

1、在1998年,網(wǎng)絡(luò)信息檢索領(lǐng)域有兩種重要的網(wǎng)頁排序模型被提出,它們分別是HITS(HyperrextInducedTopicSearch)[5]和PageRank[11]。PageRank由于其固有的對惡意網(wǎng)頁的抗干擾性和檢索無關(guān)的特點(diǎn)逐漸成為主流的網(wǎng)絡(luò)信息排名方法。PageRank的這兩個(gè)優(yōu)點(diǎn)正是HITS的弱點(diǎn)。由于商業(yè)利益的原因,有很多的公司采用各種惡意網(wǎng)頁技術(shù)來欺騙搜索引擎的排序系統(tǒng)從而提高自己網(wǎng)頁的排名。如果搜索引擎檢索相關(guān)的話

2、,候選頁面和排序需要為每個(gè)檢索詞來單獨(dú)計(jì)算,這樣造成嚴(yán)重的系統(tǒng)負(fù)擔(dān)的同時(shí)也降低了檢索返回速度。檢索無關(guān)的搜索引擎通過事先計(jì)算出各個(gè)網(wǎng)頁的重要性從而在有查詢請求時(shí)快速的返回排序好的相關(guān)網(wǎng)頁。
　　隨著計(jì)算機(jī)性能的逐步提高和計(jì)算機(jī)硬件成本的降低,越來越多的多媒體信息如圖片,視頻等被出現(xiàn)在互聯(lián)網(wǎng)上。不同于文本檢索,多媒體信息的檢索長久以來一直沒有有效可行的辦法,大多數(shù)是沿用基于文本的檢索技術(shù)來利用多媒體信息周圍的文字信息對多媒體信息本身

3、進(jìn)行排序。這樣不可避免的會(huì)導(dǎo)致對不同檢索詞檢索質(zhì)量的參差不齊,甚至出現(xiàn)很多跟檢索無關(guān)的檢索結(jié)果。近年來,很多研究人員通過利用多媒體信息本身的內(nèi)容來提高這類信息的檢索質(zhì)量。對網(wǎng)絡(luò)圖像檢索來說,Fergus[1]等人首先采用提取搜索引擎所返回的部分結(jié)果的圖像內(nèi)容,在利用這些圖像信息來對部分返回圖像重新排序,實(shí)驗(yàn)證明這樣的方法明顯的改善了圖像檢索的質(zhì)量。Jing[2,3,4]等人在此基礎(chǔ)上,針對網(wǎng)絡(luò)圖像種類繁多的特點(diǎn)提出了VisualRank

4、來改善網(wǎng)絡(luò)圖像的檢索質(zhì)量。VisualRank首先提取出圖像本身的局部信息,然后利用locality-sensitivehashing[15]來對這些信息配對。這樣會(huì)產(chǎn)生一個(gè)圖像詳細(xì)關(guān)系圖,最后在這個(gè)圖上利用PageRank對每個(gè)圖像計(jì)算PageRank得分。VisualRank的適用返回比Fergus等人提出的方法更廣,但其提出的使用locality-sensitivehashing的圖像局部特征匹配方法將會(huì)導(dǎo)致內(nèi)存需求線性的增長。關(guān)

5、于不同主題的網(wǎng)絡(luò)圖像集的質(zhì)量又是千差萬別的,VisualRank并沒有這種區(qū)分能力,對所有的圖像特征都進(jìn)行了匹配。為了克服這兩個(gè)問題,本文提出了基于網(wǎng)絡(luò)圖片顯著特征的網(wǎng)絡(luò)圖片檢索方法,首先篩選出那些出現(xiàn)頻率較高的特征點(diǎn),以這些特征點(diǎn)作為圖像特征匹配的目標(biāo)。
　　因?yàn)镻ageRank本身是通過一些節(jié)點(diǎn)本身的相似性來對這些節(jié)點(diǎn)進(jìn)行重要性排序,所以它應(yīng)該有很廣的應(yīng)用范圍。針對于目前GPU技術(shù)的發(fā)展,GPU變得越來越復(fù)雜,并且各個(gè)模塊的相