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59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(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、近年來,互聯(lián)網(wǎng)的整體規(guī)模越來越大,作為搜索引擎采集模塊的爬蟲的工作壓力與日俱增,即使最專業(yè)的搜索引擎服務(wù)提供商,如谷歌、百度,也無法保證所有頁面的時效性。而就單個頁面而言,只有部分頁面的變化頻率較快。因而,通過頁面更新頻率預(yù)測算法使爬蟲只下載那些變化了的網(wǎng)頁,對減輕爬蟲的工作壓力有著重要的意義。
  本文圍繞著如何在實際環(huán)境中有效預(yù)測網(wǎng)頁變化的需要,在深入研究了網(wǎng)頁變化規(guī)律的基礎(chǔ)上,基于在線抽樣檢測的算法思想,研究了網(wǎng)頁不同特征集

2、對基于聚類的抽樣檢測算法的影響,特征集包括詞向量特征、文本特征、URL特征、動態(tài)特征等。在此基礎(chǔ)上創(chuàng)新性的提出了遺傳基因特征的概念,利用遺傳基因特征實現(xiàn)了自學(xué)習(xí)的優(yōu)化算法。為了確定實驗效果、評價我們的算法,我們搜集了一個真實網(wǎng)頁集合的真實變化情況,建立了實驗數(shù)據(jù)集。
  本文研究的內(nèi)容和成果歸結(jié)為以下方面:
  首先,建立了評價網(wǎng)頁更新頻率預(yù)測效果的實驗數(shù)據(jù)集。實驗數(shù)據(jù)集來源于不同類型網(wǎng)站的不同類型網(wǎng)頁,保證網(wǎng)頁集合的多樣性

3、與代表性,使得其他研究人員可以在此數(shù)據(jù)集上進(jìn)行網(wǎng)頁更新的預(yù)測的相關(guān)研究。數(shù)據(jù)集網(wǎng)頁數(shù)量約為30萬,分布在不同的122個網(wǎng)站上。
  然后,提取了網(wǎng)頁的詞向量特征、文本特征、URL特征、動態(tài)特征等,研究了不同特征集對基于聚類的在線抽樣檢測算法的影響,并利用預(yù)測命中率評價指標(biāo)量化了不同特征集對聚類算法實驗效果的影響,進(jìn)而分析了聚類算法的有效性與性能上限。
  最后,本文提出了利用遺傳基因特征自動優(yōu)化下一輪的特征,進(jìn)而實現(xiàn)了在線自

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(yù)覽,若沒有圖紙預(yù)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(hù)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(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)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(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)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