本文關鍵詞：主題爬蟲搜索策略及關鍵技術研究

  更多相關文章： 主題爬蟲 語義相似度 向量空間模型 Shark-Search算法 隧道穿越

【摘要】：主題網(wǎng)絡爬蟲是主題搜索引擎的關鍵技術。主題爬蟲能夠智能地采集與特定主題相關的網(wǎng)頁,而避免不相關網(wǎng)頁的訪問;主題爬蟲的提出與運用能夠極大緩解目前基于通用網(wǎng)絡爬蟲的搜索引擎中搜索覆蓋率低,搜索精度低、網(wǎng)頁更新不及時而無法滿足用戶的個性化需求的問題。主題爬蟲的核心難點是預測未訪問鏈接的主題相關度。目前比較經(jīng)典的主題爬蟲中普遍采用向量空間模型來計算網(wǎng)頁內(nèi)容的主題相關度,這種方法沒有考慮到主題詞項的語義信息;在網(wǎng)頁內(nèi)容相關性分析鏈接上下文時,往往引入噪音,不能準確反應主題相關性;在結合鏈接結構分析和內(nèi)容相似性分析時考慮因素不全,只是二者分值相加;在主題爬取過程中沒有考慮隧道特征,或者引入隧道方法不佳導致大量非相關網(wǎng)頁被下載。為了解決上述問題,本文研究工作如下:(1)本文在原有向量空間模型的基礎上,還考慮關鍵詞項的語義相似度,提出了基于詞項語義相似度的向量空間模型(TSSVSM)。本文主題爬蟲算法將利用TSSVSM模型計算網(wǎng)頁文本與主題的相似度。(2)本文在分析隧道特征的基礎上,提出了自適應隧道穿越方法,此方法能夠網(wǎng)頁內(nèi)容和穿越路徑的相關性綜合動態(tài)計算隧道穿越的距離,從而在獲得更多主題相關網(wǎng)頁的前提下減少無關網(wǎng)頁的訪問。(3)本文分析了鏈接上下文的局限性,在計算內(nèi)容相似度時去掉鏈接上下文因素而加入網(wǎng)頁標題因素,網(wǎng)頁內(nèi)容相似度由網(wǎng)頁標題、網(wǎng)頁文本和錨文本綜合決定,然后對OPIC算法進行改進,提出了依據(jù)網(wǎng)頁內(nèi)容相似度大小進行不平均分配現(xiàn)金值的NOS算法。(4)本文在開源網(wǎng)絡爬蟲Nutch上定制和實現(xiàn)本文提出的主題爬蟲算法和其他主題爬蟲算法,使用收獲率和召回率作為實驗評價指標。本文從ODP中選擇主題和種子網(wǎng)頁,并將本文算法和Best-First算法、Shark-Search算法和OTIE算法進行對比實驗。實驗結果表明本文提出的主題爬蟲算法不僅具有明顯好的查全率,而且具有很好的查準率。
【關鍵詞】：主題爬蟲 語義相似度 向量空間模型 Shark-Search算法 隧道穿越
【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.3
【目錄】：

• 中文摘要3-4
• 英文摘要4-8
• 1 緒論8-15
• 1.1 研究背景8-9
• 1.2 研究目的和意義9
• 1.3 國內(nèi)外研究現(xiàn)狀9-14
• 1.4 本文研究內(nèi)容和組織結構14-15
• 2 主題爬蟲的相關技術15-30
• 2.1 主題爬蟲概述15-17
• 2.2 主題頁面分布特征17-18
• 2.3 主題表示模型18-19
• 2.4 主題向量構建19-22
• 2.5 主題相關性判斷22-26
• 2.6 主題爬蟲的搜索策略26-28
• 2.6.1 PageRank算法26
• 2.6.2 OPIC算法26-27
• 2.6.3 Shark-Search算法27-28
• 2.6.4 OTIE算法28
• 2.7 本章小結28-30
• 3 基于鏈接和內(nèi)容分析的不平均分配算法30-41
• 3.1 基于詞項語義相似度的向量空間模型30-33
• 3.2 自適應隧道穿越技術33-36
• 3.3 基于鏈接和內(nèi)容分析的不平均分配算法36-39
• 3.4 本章小結39-41
• 4 實驗與分析41-49
• 4.1 實驗設計43-45
• 4.2 實驗評價指標45-46
• 4.3 實驗結果與分析46-48
• 4.4 本章小結48-49
• 5 總結與展望49-51
• 5.1 論文工作總結49
• 5.2 后續(xù)工作展望49-51
• 致謝51-52
• 參考文獻52-56
• 附錄56
• A.作者在攻讀學位期間發(fā)表的論文目錄56
• B.作者在攻讀碩士學位期間參與項目情況56

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 朱松巖;;網(wǎng)頁設計之特性分析[J];山東省農(nóng)業(yè)管理干部學院學報;2009年03期

2 安琳;;國外網(wǎng)頁信息存檔項目及相關問題研究[J];圖書館建設;2009年12期

3 蔣桂梅;;網(wǎng)頁設計的藝術性[J];電腦知識與技術;2010年05期

4 龍正義;;網(wǎng)頁長期保存的策略與方法研究[J];檔案管理;2010年03期

5 李志義;梁士金;;國內(nèi)網(wǎng)頁去重技術研究:現(xiàn)狀與總結[J];圖書情報工作;2011年07期

6 王爍;;美國網(wǎng)頁歸檔項目——Internet Archive發(fā)展研究[J];蘭臺世界;2012年17期

7 栗勇兵;韓平;董啟雄;;網(wǎng)頁信息自動提取的設計與實現(xiàn)[J];計算機光盤軟件與應用;2012年18期

8 何立波;周世波;;網(wǎng)頁設計中的藝術研究[J];考試周刊;2011年25期

9 秦永平;網(wǎng)頁信息共享技術[J];計算機應用;2000年02期

10 項鎮(zhèn);網(wǎng)頁設計新概念[J];江西教育學院學報(自然科學);2001年06期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 吳建軍;;談網(wǎng)頁設計的藝術性表現(xiàn)[A];經(jīng)天緯地——全國測繪科技信息網(wǎng)中南分網(wǎng)第十九次學術交流會優(yōu)秀論文選編[C];2005年

2 韓近強;趙靜;楊冬青;唐世渭;姚小波;;基于領域知識的網(wǎng)頁篩選系統(tǒng)[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2002年

3 昝紅英;蘇玉梅;孫斌;俞士汶;;基于淺層分析的網(wǎng)頁相關度研究[A];語言計算與基于內(nèi)容的文本處理——全國第七屆計算語言學聯(lián)合學術會議論文集[C];2003年

4 孫靜;劉正捷;奚小玲;王慧;;幫助盲人理解網(wǎng)頁信息的一種網(wǎng)頁結構劃分方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學術會議（HHME2005）論文集[C];2005年

5 曹淮;晁丁丁;;3D元素在網(wǎng)頁信息傳達中的應用研究[A];2006年中國機械工程學會年會暨中國工程院機械與運載工程學部首屆年會論文集[C];2006年

6 唐超;劉辰;楊正球;;使用多層迭代分析和分類網(wǎng)頁文檔的方法[A];2007北京地區(qū)高校研究生學術交流會通信與信息技術會議論文集（上冊）[C];2008年

7 馬驍;王曉龍;王軒;卜永忠;;基于網(wǎng)頁信息結構的網(wǎng)頁體裁聚類分析[A];第四屆全國信息檢索與內(nèi)容安全學術會議論文集（上）[C];2008年

8 羅陽;季鐸;張桂平;王瑩瑩;;面向單一網(wǎng)頁的雙語資源挖掘方法[A];第六屆全國信息檢索學術會議論文集[C];2010年

9 于滿泉;譚松波;許洪波;;網(wǎng)頁內(nèi)部結構挖掘技術研究[A];NCIRCS2004第一屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2004年

10 王宇;黃煒;肖艷芹;任建立;李天柱;;ORBASE用于基于內(nèi)容的Web查詢[A];第十七屆全國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2000年

中國重要報紙全文數(shù)據(jù)庫 前10條

1 本報記者 曾居仁　通訊員 郝金榮;貴州“萬村千鄉(xiāng)”網(wǎng)頁工程開辟為農(nóng)服務新渠道[N];中國氣象報;2012年

2 壯壯;批量保存網(wǎng)頁信息[N];電腦報;2004年

3 羅震宇　嚴小斌;一種新型WEB開發(fā)技術的探討[N];中國冶金報;2011年

4 錢鵬;網(wǎng)盡Web頁中的好東東[N];電腦報;2004年

5 星之海洋;邁出網(wǎng)頁制作的第一步[N];電腦報;2004年

6 河南 張金貴;FrontPage2000組件詳解（四）[N];電腦報;2001年

7 楓爾;網(wǎng)站瀏覽提速的五大秘方[N];中國證券報;2004年

8 飄零劍客;網(wǎng)絡監(jiān)控利器——AnyView[N];中國電腦教育報;2004年

9 八戒;眨眼之間 答案立現(xiàn)[N];電腦報;2013年

10 ;網(wǎng)絡應用 天龍八“步” 申請上網(wǎng)賬號[N];電腦報;2002年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 陳潔;基于概念融合的網(wǎng)頁篩選技術研究[D];北京郵電大學;2013年

2 龔昌盛;基于語義標注的網(wǎng)頁廣告加載模型研究[D];武漢大學;2010年

3 孫建濤;Web挖掘中的降維和分類方法研究[D];清華大學;2005年

4 黃華軍;網(wǎng)頁信息隱藏與隱秘信息檢測研究[D];湖南大學;2007年

5 徐晴陽;基于關系子群發(fā)現(xiàn)算法的聚焦爬行技術[D];吉林大學;2008年

6 曹魯慧;Web個人信息集成問題研究[D];山東大學;2012年

7 劉馨月;Web挖掘中的鏈接分析與話題檢測研究[D];大連理工大學;2012年

8 羅娜;基于本體的主題爬行技術研究[D];吉林大學;2009年

9 張勇實;基于鏈接相似性分析的WEB結構挖掘方法研究[D];哈爾濱工程大學;2012年

10 宗校軍;中文網(wǎng)頁定題采集及分類研究[D];華中科技大學;2006年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 敖志敏;基于網(wǎng)頁相似度的搜索算法改進的研究[D];上海師范大學;2015年

2 楊尋;地域文化的視覺元素在旅游網(wǎng)頁設計中的應用研究[D];西南交通大學;2015年

3 張W，

本文編號：722407