一种改进Best-First算法的主题爬虫搜索算法研究

发布时间：2017-04-19 11:02

  本文关键词：一种改进Best-First算法的主题爬虫搜索算法研究，，由笔耕文化传播整理发布。

【摘要】：飞速发展的互联网带来了海量的信息资源,用户能否从中有效地获取自己感兴趣的资源很大程度上取决于搜索引擎的性能。在面对用户强烈的个性化需求时,通用搜索引擎难以为其提供满意的结果。为了打破通用搜索引擎的这一局限性,研究具有专业特点的智能化搜索引擎成为一种趋势,因而顺理成章的诞生了垂直搜索引擎。垂直搜索引擎中的主题爬虫犹如人的心脏一样,起着非常基础与关键的作用。主题爬虫按照用户给定的目标主题,智能化的搜索Web,快速、准确地提取出主题相关页面,满足用户所需。研究高效的主题爬虫对于提高垂直搜索引擎的性能有着非常重要的作用。本文主要从以下三个方面展开所要研究的内容:首先,本文对网络爬虫的基本原理进行了介绍,然后分析了主题爬虫的工作流程,之后讨论了关于主题的描述方法,接着重点分析了网页预处理技术,包括HTML标签、网页标题和正文内容的提取、锚文本的提取以及中文分词技术,为后文主题相关性计算奠定了坚实的基础。其次,分析了基于页面内容评价的Best-First算法,针对向量空间模型中权重计算方法,只考虑特征词的词频,忽略了特征词的位置信息这一不足,本文提出利用HTML标签的修饰功能,采用加权频率来计算权重,提高主题相关性判断的准确率。另外,讨论了Best-First算法的贪婪性,针对Best-First算法难以获得全局范围内最优解的局限性,本文对主题爬虫的搜索策略做了一点改进,提出不仅注重搜索与主题相似度很高的链接,同时还考虑某些蕴涵很大远期价值的链接,从而使得主题爬虫能在一定程度上获得全局范围的最优解。最后,本文通过上述分析的理论基础,设计并实现了一个简单的主题爬虫系统。实验结果表明,相比于宽度优先搜索算法和基于页面内容评价的传统的Best-First算法,本文提出的改进算法具有更高的准确率和召回率,它是有效的。
【关键词】：Best-First算法 主题相关性 HTML标签 准确率 召回率
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-16
• 1.1 选题背景及研究意义8-10
• 1.2 研究现状及难点问题10-14
• 1.2.1 国内外研究现状10-13
• 1.2.2 研究的难点问题13-14
• 1.3 主要研究内容14-15
• 1.4 论文的组织和安排15-16
• 2 相关理论与技术16-26
• 2.1 网络爬虫基本原理16-19
• 2.1.1 网络爬虫框架16-17
• 2.1.2 爬虫搜索策略17-19
• 2.2 主题爬虫工作流程19-20
• 2.3 主题描述20-21
• 2.3.1 关键词法20
• 2.3.2 Ontology法20-21
• 2.3.3 层次目录树法21
• 2.4 网页预处理21-25
• 2.4.1 HTML标签21-22
• 2.4.2 网页标题和正文内容的提取22-23
• 2.4.3 锚文本的提取23-25
• 2.4.4 中文分词25
• 2.5 本章小结25-26
• 3 基于页面内容评价的Best-First算法26-38
• 3.1 概述26
• 3.2 Best-First算法26-32
• 3.2.1 基本思想26
• 3.2.2 向量空间模型26-29
• 3.2.3 权重计算方法29-32
• 3.3 改进Best-First算法32-37
• 3.4 本章小结37-38
• 4 实验及结果分析38-44
• 4.1 评价标准38-39
• 4.2 实验分析39-43
• 4.2.1 实验环境简介39
• 4.2.2 实验参数分析39-40
• 4.2.3 实验结果分析40-43
• 4.3 本章小结43-44
• 5 总结和展望44-46
• 5.1 总结44
• 5.2 展望44-46
• 致谢46-47
• 参考文献47-50
• 附录50

【相似文献】

中国期刊全文数据库 前10条

1 朱松岩;;网页设计之特性分析[J];山东省农业管理干部学院学报;2009年03期

2 安琳;;国外网页信息存档项目及相关问题研究[J];图书馆建设;2009年12期

3 蒋桂梅;;网页设计的艺术性[J];电脑知识与技术;2010年05期

4 龙正义;;网页长期保存的策略与方法研究[J];档案管理;2010年03期

5 李志义;梁士金;;国内网页去重技术研究:现状与总结[J];图书情报工作;2011年07期

6 王烁;;美国网页归档项目——Internet Archive发展研究[J];兰台世界;2012年17期

7 栗勇兵;韩平;董启雄;;网页信息自动提取的设计与实现[J];计算机光盘软件与应用;2012年18期

8 何立波;周世波;;网页设计中的艺术研究[J];考试周刊;2011年25期

9 秦永平;网页信息共享技术[J];计算机应用;2000年02期

10 项镇;网页设计新概念[J];江西教育学院学报(自然科学);2001年06期

中国重要会议论文全文数据库 前10条

1 吴建军;;谈网页设计的艺术性表现[A];经天纬地——全国测绘科技信息网中南分网第十九次学术交流会优秀论文选编[C];2005年

2 韩近强;赵静;杨冬青;唐世渭;姚小波;;基于领域知识的网页筛选系统[A];第十九届全国数据库学术会议论文集（技术报告篇）[C];2002年

3 昝红英;苏玉梅;孙斌;俞士汶;;基于浅层分析的网页相关度研究[A];语言计算与基于内容的文本处理——全国第七届计算语言学联合学术会议论文集[C];2003年

4 孙静;刘正捷;奚小玲;王慧;;帮助盲人理解网页信息的一种网页结构划分方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

5 曹淮;晁丁丁;;3D元素在网页信息传达中的应用研究[A];2006年中国机械工程学会年会暨中国工程院机械与运载工程学部首届年会论文集[C];2006年

6 唐超;刘辰;杨正球;;使用多层迭代分析和分类网页文档的方法[A];2007北京地区高校研究生学术交流会通信与信息技术会议论文集（上册）[C];2008年

7 马骁;王晓龙;王轩;卜永忠;;基于网页信息结构的网页体裁聚类分析[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

8 罗阳;季铎;张桂平;王莹莹;;面向单一网页的双语资源挖掘方法[A];第六届全国信息检索学术会议论文集[C];2010年

9 于满泉;谭松波;许洪波;;网页内部结构挖掘技术研究[A];NCIRCS2004第一届全国信息检索与内容安全学术会议论文集[C];2004年

10 王宇;黄炜;肖艳芹;任建立;李天柱;;ORBASE用于基于内容的Web查询[A];第十七届全国数据库学术会议论文集（技术报告篇）[C];2000年

中国重要报纸全文数据库 前10条

1 本报记者 曾居仁　通讯员 郝金荣;贵州“万村千乡”网页工程开辟为农服务新渠道[N];中国气象报;2012年

2 壮壮;批量保存网页信息[N];电脑报;2004年

3 罗震宇　严小斌;一种新型WEB开发技术的探讨[N];中国冶金报;2011年

4 钱鹏;网尽Web页中的好东东[N];电脑报;2004年

5 星之海洋;迈出网页制作的第一步[N];电脑报;2004年

6 河南 张金贵;FrontPage2000组件详解（四）[N];电脑报;2001年

7 枫尔;网站浏览提速的五大秘方[N];中国证券报;2004年

8 飘零剑客;网络监控利器——AnyView[N];中国电脑教育报;2004年

9 八戒;眨眼之间 答案立现[N];电脑报;2013年

10 ;网络应用 天龙八“步” 申请上网账号[N];电脑报;2002年

中国博士学位论文全文数据库 前10条

1 陈洁;基于概念融合的网页筛选技术研究[D];北京邮电大学;2013年

2 龚昌盛;基于语义标注的网页广告加载模型研究[D];武汉大学;2010年

3 孙建涛;Web挖掘中的降维和分类方法研究[D];清华大学;2005年

4 黄华军;网页信息隐藏与隐秘信息检测研究[D];湖南大学;2007年

5 徐晴阳;基于关系子群发现算法的聚焦爬行技术[D];吉林大学;2008年

6 曹鲁慧;Web个人信息集成问题研究[D];山东大学;2012年

7 刘馨月;Web挖掘中的链接分析与话题检测研究[D];大连理工大学;2012年

8 罗娜;基于本体的主题爬行技术研究[D];吉林大学;2009年

9 张勇实;基于链接相似性分析的WEB结构挖掘方法研究[D];哈尔滨工程大学;2012年

10 宗校军;中文网页定题采集及分类研究[D];华中科技大学;2006年

中国硕士学位论文全文数据库 前10条

1 敖志敏;基于网页相似度的搜索算法改进的研究[D];上海师范大学;2015年

2 杨寻;地域文化的视觉元素在旅游网页设计中的应用研究[D];西南交通大学;2015年

3 张W

本文编号：316112