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61頁未讀, 繼續(xù)免費(fèi)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(bào)或認(rèn)領(lǐng)

文檔簡介

1、當(dāng)今中國,隨著互聯(lián)網(wǎng)的普及和網(wǎng)絡(luò)終端的高速發(fā)展,網(wǎng)絡(luò)已經(jīng)深入到了人們生活的方方面面。面對海量的網(wǎng)絡(luò)信息,搜索引擎的出現(xiàn)極大的方便了普通用戶的操作,但大量的重復(fù)或近似網(wǎng)頁使得用戶對搜索結(jié)果不甚滿意。如何有效的查找并去除這些重復(fù)或近似的網(wǎng)頁,提高搜索的效率,已經(jīng)成為一種迫切的需要。在這種形勢下,網(wǎng)頁查重技術(shù)得到了極大發(fā)展。
   當(dāng)前的查重方法主要是針對英文等字母體系的語言,中文由于語言的復(fù)雜性,在網(wǎng)頁的查重問題上存在著較大的困難。

2、本文主要研究搜索引擎中中文網(wǎng)頁查重的問題,借鑒了計(jì)算生物學(xué)的序列比對技術(shù),提出了一種基于詞性標(biāo)注(POS)和最長公共子序列(LCS)相結(jié)合的網(wǎng)頁查重方法。論文主要工作如下:
   (1)介紹了網(wǎng)頁查重技術(shù)的起源以及常見的網(wǎng)頁查重方法,并對其特點(diǎn)進(jìn)行了對比分析,理清了論文研究的方向和思路。
   (2)對網(wǎng)頁預(yù)處理技術(shù)進(jìn)行了研究,重點(diǎn)對網(wǎng)頁正文提取技術(shù)和中文語言體系進(jìn)行了分析,并對中文分詞和詞性標(biāo)注方法進(jìn)行仔細(xì)比較。著重對

3、基于隱馬爾可夫模型的分詞和詞性標(biāo)注進(jìn)行了認(rèn)真學(xué)習(xí)和研究,為選擇合適的分詞和詞性標(biāo)注方法奠定了基礎(chǔ)。
   (3)闡述了計(jì)算生物學(xué)領(lǐng)域的序列比對技術(shù)的思想,對序列比對算法(特別是動(dòng)態(tài)規(guī)劃算法)進(jìn)行了認(rèn)真研究,最終決定把LCS的動(dòng)態(tài)規(guī)劃算法作為研究使用的網(wǎng)頁相似度計(jì)算方法。
   (4)對基于Lucene建立全文搜索平臺(tái)的流程和方法進(jìn)行了認(rèn)真學(xué)習(xí),將ICTCLAS內(nèi)嵌到Lucene的分詞模塊中,搭建了基于Lucene和JSP

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(huì)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(chǔ)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(shí)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