基于網(wǎng)頁(yè)分塊的主題爬蟲(chóng)方法研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩55頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)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、隨著網(wǎng)絡(luò)上信息的爆炸式增長(zhǎng),普通搜索引擎的查詢結(jié)果越來(lái)越不能滿足用戶查詢的需要,尤其是那些查詢特定信息的不同領(lǐng)域、不同背景的用戶,因此適應(yīng)特定主題和個(gè)性化搜索的垂直搜索引擎應(yīng)運(yùn)而生。
  主題爬蟲(chóng)作為垂直搜索引擎的核心組成部分,其抓取的網(wǎng)頁(yè)的質(zhì)量好壞直接影響垂直搜索引擎的返回結(jié)果。如何判斷下載的網(wǎng)頁(yè)與目標(biāo)主題的相關(guān)度和如何確定待爬行隊(duì)列中URL的訪問(wèn)優(yōu)先級(jí)是主題爬蟲(chóng)中影響抓取的網(wǎng)頁(yè)質(zhì)量的關(guān)鍵因素;同時(shí)由于Web頁(yè)面的結(jié)構(gòu)特性,致使

2、主題爬蟲(chóng)在爬行過(guò)程中存在“隧道”現(xiàn)象,它的存在將會(huì)對(duì)爬行的覆蓋率和準(zhǔn)確率造成較大的影響。
  本文利用網(wǎng)頁(yè)分塊判斷主題相關(guān)度和最佳優(yōu)先搜索策略的優(yōu)勢(shì),同時(shí)為了克服“隧道”現(xiàn)象,提出了一種基于網(wǎng)頁(yè)分塊的主題爬蟲(chóng)方法:
 ?、賹⒎诸惼鞯乃枷霊?yīng)用到主題爬蟲(chóng)中,訓(xùn)練出了針對(duì)主題爬蟲(chóng)的類中心向量分類器,該分類器主要用于確定網(wǎng)頁(yè)或網(wǎng)頁(yè)塊的主題類別和它們之間的相似度,其突出的優(yōu)點(diǎn)是可以較好的描述用戶感興趣的主題,分類速度快,能提高爬行的速

3、度;
 ?、谠诰W(wǎng)頁(yè)塊內(nèi)考慮URL的差異,將塊內(nèi)的URL分為特殊URL和普通URL進(jìn)行訪問(wèn)優(yōu)先級(jí)預(yù)測(cè),從而提高預(yù)測(cè)的準(zhǔn)確性,克服由于預(yù)測(cè)不準(zhǔn)確帶來(lái)的相關(guān)網(wǎng)頁(yè)被忽略的問(wèn)題;
 ?、弁ㄟ^(guò)在網(wǎng)頁(yè)塊內(nèi)引用類間轉(zhuǎn)移概率,克服爬行過(guò)程中存在的“黑色隧道”現(xiàn)象,通過(guò)利用網(wǎng)頁(yè)分塊的思想,克服爬行過(guò)程中存在的“灰色隧道”現(xiàn)象。
  最后從DMOZ目錄中選取3種不同的目標(biāo)主題對(duì)基于本文提出的方法和已存在的基于文字內(nèi)容的方法及基于分類器的方法

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(méi)有圖紙預(yù)覽就沒(méi)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。

最新文檔

評(píng)論

0/150

提交評(píng)論