2023年全國(guó)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(yè)
已閱讀1頁(yè),還剩65頁(yè)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著互聯(lián)網(wǎng)的日益普及和迅猛發(fā)展,網(wǎng)絡(luò)上的信息量呈現(xiàn)爆炸式的增長(zhǎng),搜索引擎成為人們獲取信息的主要方式,而且越來越受到重視。重復(fù)網(wǎng)頁(yè)檢測(cè)一直以來都是搜索引擎研究的重點(diǎn)。本文就如何提高中文重復(fù)網(wǎng)頁(yè)的檢測(cè)算法效率進(jìn)行研究。
   通過比較目前國(guó)內(nèi)外重復(fù)網(wǎng)頁(yè)檢測(cè)的若干方法,本人發(fā)現(xiàn)基于內(nèi)容的重復(fù)網(wǎng)頁(yè)檢測(cè)算法有較好的效果,而且加入鏈接和鏈接信息并沒有明顯改善算法性能,于是著手研究基于內(nèi)容的檢測(cè)算法。
   DSC重復(fù)網(wǎng)頁(yè)檢測(cè)算法是典

2、型的基于內(nèi)容的重復(fù)網(wǎng)頁(yè)檢測(cè)算法,并且被廣泛應(yīng)用。該算法基于網(wǎng)頁(yè)語法提取網(wǎng)頁(yè)特征,實(shí)驗(yàn)發(fā)現(xiàn)該算法不適用于短小文檔的檢測(cè)。Google對(duì)DSC算法的試驗(yàn)評(píng)估發(fā)現(xiàn)在該算法中加入詞頻信息會(huì)提高算法效率。本文結(jié)合了詞頻統(tǒng)計(jì)和自然語言理解等策略,在計(jì)算詞條權(quán)重時(shí)考慮了詞頻,倒置文檔頻率,位置等內(nèi)容信息,各種信息按一定比例用統(tǒng)計(jì)的方法得到關(guān)鍵詞權(quán)值;另外本文將向量空間模型應(yīng)用到網(wǎng)頁(yè)相似度計(jì)算中來,將網(wǎng)頁(yè)進(jìn)行解析預(yù)處理,提取出網(wǎng)頁(yè)純文本,然后進(jìn)行網(wǎng)頁(yè)中

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(qǐng)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(qǐng)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(yè)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論