主题爬虫搜索策略及关键技术研究

发布时间：2017-08-23 02:16

  本文关键词：主题爬虫搜索策略及关键技术研究

  更多相关文章： 主题爬虫 语义相似度 向量空间模型 Shark-Search算法 隧道穿越

【摘要】：主题网络爬虫是主题搜索引擎的关键技术。主题爬虫能够智能地采集与特定主题相关的网页,而避免不相关网页的访问;主题爬虫的提出与运用能够极大缓解目前基于通用网络爬虫的搜索引擎中搜索覆盖率低,搜索精度低、网页更新不及时而无法满足用户的个性化需求的问题。主题爬虫的核心难点是预测未访问链接的主题相关度。目前比较经典的主题爬虫中普遍采用向量空间模型来计算网页内容的主题相关度,这种方法没有考虑到主题词项的语义信息;在网页内容相关性分析链接上下文时,往往引入噪音,不能准确反应主题相关性;在结合链接结构分析和内容相似性分析时考虑因素不全,只是二者分值相加;在主题爬取过程中没有考虑隧道特征,或者引入隧道方法不佳导致大量非相关网页被下载。为了解决上述问题,本文研究工作如下:(1)本文在原有向量空间模型的基础上,还考虑关键词项的语义相似度,提出了基于词项语义相似度的向量空间模型(TSSVSM)。本文主题爬虫算法将利用TSSVSM模型计算网页文本与主题的相似度。(2)本文在分析隧道特征的基础上,提出了自适应隧道穿越方法,此方法能够网页内容和穿越路径的相关性综合动态计算隧道穿越的距离,从而在获得更多主题相关网页的前提下减少无关网页的访问。(3)本文分析了链接上下文的局限性,在计算内容相似度时去掉链接上下文因素而加入网页标题因素,网页内容相似度由网页标题、网页文本和锚文本综合决定,然后对OPIC算法进行改进,提出了依据网页内容相似度大小进行不平均分配现金值的NOS算法。(4)本文在开源网络爬虫Nutch上定制和实现本文提出的主题爬虫算法和其他主题爬虫算法,使用收获率和召回率作为实验评价指标。本文从ODP中选择主题和种子网页,并将本文算法和Best-First算法、Shark-Search算法和OTIE算法进行对比实验。实验结果表明本文提出的主题爬虫算法不仅具有明显好的查全率,而且具有很好的查准率。
【关键词】：主题爬虫 语义相似度 向量空间模型 Shark-Search算法 隧道穿越
【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8-15
• 1.1 研究背景8-9
• 1.2 研究目的和意义9
• 1.3 国内外研究现状9-14
• 1.4 本文研究内容和组织结构14-15
• 2 主题爬虫的相关技术15-30
• 2.1 主题爬虫概述15-17
• 2.2 主题页面分布特征17-18
• 2.3 主题表示模型18-19
• 2.4 主题向量构建19-22
• 2.5 主题相关性判断22-26
• 2.6 主题爬虫的搜索策略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 本章小结28-30
• 3 基于链接和内容分析的不平均分配算法30-41
• 3.1 基于词项语义相似度的向量空间模型30-33
• 3.2 自适应隧道穿越技术33-36
• 3.3 基于链接和内容分析的不平均分配算法36-39
• 3.4 本章小结39-41
• 4 实验与分析41-49
• 4.1 实验设计43-45
• 4.2 实验评价指标45-46
• 4.3 实验结果与分析46-48
• 4.4 本章小结48-49
• 5 总结与展望49-51
• 5.1 论文工作总结49
• 5.2 后续工作展望49-51
• 致谢51-52
• 参考文献52-56
• 附录56
• A.作者在攻读学位期间发表的论文目录56
• B.作者在攻读硕士学位期间参与项目情况56

【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：722407