主題爬蟲算法的研究與實現(xiàn).pdf_第1頁
已閱讀1頁,還剩57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、隨著互聯(lián)網(wǎng)的快速發(fā)展,上網(wǎng)人數(shù)的不斷增長,網(wǎng)絡上的信息量也急速增加。所有這些都給搜索引擎提出了挑戰(zhàn),傳統(tǒng)的搜索引擎已經(jīng)不可能提供給用戶既全面又具有專業(yè)深度的服務了,垂直搜索引擎應運而生。主題網(wǎng)絡爬蟲作為垂直搜索引擎的抓取模塊,負責搜集網(wǎng)上的網(wǎng)頁信息。主題爬蟲的好壞直接影響著搜索引擎的服務質(zhì)量,故作為搜索引擎的重要組成部分,尤其值得去研究和改進。
  近年來,對主題爬蟲的研究主要集中于兩個方面——主題爬蟲搜索策略和主題相關(guān)性算法。本

2、文即針對這兩方面展開了討論,所做的主要工作和研究成果包括:
  (1)文章對主題爬蟲相關(guān)技術(shù)進行了研究。簡要描述了互聯(lián)網(wǎng)上主題頁面的分布特征、URL、正則表達式的應用、網(wǎng)頁獲取、網(wǎng)頁內(nèi)容分析等方面的理論,為建立主題爬蟲墊定了基礎(chǔ)。
  (2)研究并改進了主題相關(guān)度判定算法。在傳統(tǒng)向量空間模型的基礎(chǔ)上,根據(jù)網(wǎng)頁的結(jié)構(gòu)特征,對特征項關(guān)鍵詞進行加權(quán)。根據(jù)主題詞的語義多樣性,引入語義相似矩陣對網(wǎng)頁特征項進行相似性轉(zhuǎn)換。提高了主題爬蟲

3、對相關(guān)網(wǎng)頁的識別度和下載率,避免無關(guān)網(wǎng)頁的下載。
  (3)將全局搜索突出的遺傳算法和局部搜索效果較好的模擬退火算法引入到主題爬蟲的搜索策略中,并結(jié)合了改進的VSM相關(guān)度算法及URL鏈接的重要度共同計算待抓取URL的優(yōu)先級別,從而確定爬蟲的抓取方向。
  (4)實現(xiàn)了一個行業(yè)定制的主題爬蟲——澳洲建筑商服務系統(tǒng)中的爬蟲模塊。詳細地從技術(shù)方面介紹了行業(yè)定制爬蟲的特點。
  (5)在通用爬蟲框架Heritrix的幫助下,對

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