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65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、面向主題的搜索引擎是一種分類精確細致、更新及時的搜索引擎,是搜索引擎的細分和延伸。隨著Web信息的爆炸增長以及信息多元化的發(fā)展,主題搜索引擎正成為研究熱點與發(fā)展趨勢。與通用搜索引擎相比,主題搜索引擎由于檢索范圍較小,查準率和查全率易于保證。本文的研究對象是Web這樣的動態(tài)海量信息載體,研究的主要目的是要得到一種支持海量網(wǎng)頁信息搜集、具有健壯的網(wǎng)頁預處理、并提供相應(yīng)規(guī)模的索引和查詢接口的中文主題搜索引擎系統(tǒng)。本文所做的可擴展性工作主要體現(xiàn)

2、在網(wǎng)絡(luò)蜘蛛信息搜集和查詢服務(wù)實現(xiàn)兩方面。
  基于對網(wǎng)頁性質(zhì)及其分布的認識,本文提出一種可擴展網(wǎng)絡(luò)蜘蛛信息搜集系統(tǒng)體系結(jié)構(gòu)。系統(tǒng)可以讓用戶根據(jù)自己對信息的興趣,配置用于引導系統(tǒng)搜集的主題導向詞,以及搜集范圍。同時,盡可能地使用和遵循現(xiàn)有的標準和協(xié)議。在不需要改動或改動很少的配置的情況下,適用不同主題的信息抓取。搜集系統(tǒng)力圖在搜集策略、開放性、可定制性等方面得到一個很好的折衷。網(wǎng)絡(luò)蜘蛛采用Fish搜索算法動態(tài)地調(diào)整爬行方向,從而保證

3、了抓取網(wǎng)頁的主題相關(guān)性。網(wǎng)絡(luò)蜘蛛的可擴展性主要體現(xiàn)在種子鏈接發(fā)現(xiàn)、增量式抓取、多線程和限定抓取類型等。實驗結(jié)果表明,網(wǎng)絡(luò)蜘蛛具有較強的抓取能力,很好地解決了搜索引擎的數(shù)據(jù)來源問題。
  針對網(wǎng)絡(luò)蜘蛛搜集來的主題網(wǎng)頁進行一系列的預處理,抽取其中的網(wǎng)頁URL、標題、正文內(nèi)容、錨文本等。針對網(wǎng)頁URL編碼的不同而造成的網(wǎng)頁亂碼現(xiàn)象,采用統(tǒng)一的字符集和編碼方案。設(shè)計一個中文搜索引擎,索引創(chuàng)建需要一個高效的倒排算法。本文從索引文件本身出發(fā),

4、采用分級的倒排表索引組織結(jié)構(gòu),提高了索引創(chuàng)建的效率。本文還結(jié)合中文分詞技術(shù),構(gòu)建一定規(guī)模的詞庫,嘗試解決中文搜索引擎存在的查準率和檢索精度問題。
  在查詢服務(wù)階段,增量和合并的配置策略對索引進行了擴展,實現(xiàn)索引文檔的動態(tài)更新。本文結(jié)合Lucene索引包特點,在達到索引合并閾值時,通過微調(diào)Lucene內(nèi)置參數(shù),有效避免頻繁地改動和合并大索引塊。同時,本文還給出基于Ajax技術(shù)的搜索引擎異步模式,這樣極大地豐富了Web的表現(xiàn)力,也因

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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 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