網(wǎng)頁查重算法研究.pdf

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