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58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、Internet的迅速普及和飛速發(fā)展,使人們面臨著一個信息的海洋,快速從中獲得真正重要的信息變得至關(guān)重要。搜索引擎(主要指全文搜索系統(tǒng))即是提供這種功能的一種工具。然而在搜索引擎返回的檢索結(jié)果中,存在大量的重復網(wǎng)頁,它們主要來自網(wǎng)站之間的轉(zhuǎn)載。這些內(nèi)容重復的網(wǎng)頁既占用了網(wǎng)絡(luò)帶寬,又浪費存儲資源,用戶不希望看到一堆內(nèi)容相同或近似的檢索結(jié)果,真正有用的結(jié)果往往淹沒在這些重復信息之中而不易被發(fā)現(xiàn)。如果能夠有效消除這些重復網(wǎng)頁,不但會提高檢索的

2、準確率,節(jié)省用戶的時間和精力,而且對搜索系統(tǒng)本身而言可以節(jié)省網(wǎng)絡(luò)帶寬,降低存儲成本,提高搜索引擎的性能。 本文主要研究搜索引擎中網(wǎng)頁查重的問題。首先簡要介紹了搜索引擎的原理,發(fā)展現(xiàn)狀,存在的不足和發(fā)展趨勢,以及本課題研究的背景和意義。其次對當前國際和國內(nèi)相關(guān)領(lǐng)域的研究動態(tài)進行了深入的分析,詳盡介紹了網(wǎng)頁查重算法的起源和研究歷史,網(wǎng)頁查重算法的分類及各個分類的代表性算法,這些算法對原有算法的改進、性能和優(yōu)缺點。其中著重介紹了非常優(yōu)

3、秀和經(jīng)典的算法shingling和simhash,許多算法都是基于這兩種算法的思想進行的改進。Google正是利用simhash來實現(xiàn)網(wǎng)頁查重。Charikar的simhash算法對檢測數(shù)萬億的存儲級別的相似網(wǎng)頁是非常實用的。作為指紋技術(shù)的simhash具有相似文檔的指紋只存在很小位數(shù)的不同的特性。Simhash是一種降維技術(shù),可以將高維向量映射為位數(shù)較小的指紋。它在網(wǎng)頁中的應(yīng)用過程如下:首先將文檔轉(zhuǎn)化為特征碼的集合,每個特征碼附有一個

4、權(quán)值。特征碼的生成采用IR技術(shù),比如分詞、大小寫轉(zhuǎn)換、停止詞去除。一個附有權(quán)值的特征碼的集合構(gòu)成一個高維向量,通過simhash可以將這個高維向量轉(zhuǎn)化為f位的指紋,f的值很小,比如64。最后詳盡介紹了在很多重要的項目中廣泛應(yīng)用并取得一致好評的開源項目Clucene,以及如何利用Clucene建立自己的搜索引擎系統(tǒng),進行索引和檢索查詢。Clucene提供了豐富的API函數(shù),利用這些API函數(shù)可以方便的建立自己的搜索引擎系統(tǒng)。詳細介紹了主要

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