本文關(guān)鍵詞：一種改進(jìn)Best-First算法的主題爬蟲搜索算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：飛速發(fā)展的互聯(lián)網(wǎng)帶來了海量的信息資源,用戶能否從中有效地獲取自己感興趣的資源很大程度上取決于搜索引擎的性能。在面對用戶強烈的個性化需求時,通用搜索引擎難以為其提供滿意的結(jié)果。為了打破通用搜索引擎的這一局限性,研究具有專業(yè)特點的智能化搜索引擎成為一種趨勢,因而順理成章的誕生了垂直搜索引擎。垂直搜索引擎中的主題爬蟲猶如人的心臟一樣,起著非常基礎(chǔ)與關(guān)鍵的作用。主題爬蟲按照用戶給定的目標(biāo)主題,智能化的搜索Web,快速、準(zhǔn)確地提取出主題相關(guān)頁面,滿足用戶所需。研究高效的主題爬蟲對于提高垂直搜索引擎的性能有著非常重要的作用。本文主要從以下三個方面展開所要研究的內(nèi)容:首先,本文對網(wǎng)絡(luò)爬蟲的基本原理進(jìn)行了介紹,然后分析了主題爬蟲的工作流程,之后討論了關(guān)于主題的描述方法,接著重點分析了網(wǎng)頁預(yù)處理技術(shù),包括HTML標(biāo)簽、網(wǎng)頁標(biāo)題和正文內(nèi)容的提取、錨文本的提取以及中文分詞技術(shù),為后文主題相關(guān)性計算奠定了堅實的基礎(chǔ)。其次,分析了基于頁面內(nèi)容評價的Best-First算法,針對向量空間模型中權(quán)重計算方法,只考慮特征詞的詞頻,忽略了特征詞的位置信息這一不足,本文提出利用HTML標(biāo)簽的修飾功能,采用加權(quán)頻率來計算權(quán)重,提高主題相關(guān)性判斷的準(zhǔn)確率。另外,討論了Best-First算法的貪婪性,針對Best-First算法難以獲得全局范圍內(nèi)最優(yōu)解的局限性,本文對主題爬蟲的搜索策略做了一點改進(jìn),提出不僅注重搜索與主題相似度很高的鏈接,同時還考慮某些蘊涵很大遠(yuǎn)期價值的鏈接,從而使得主題爬蟲能在一定程度上獲得全局范圍的最優(yōu)解。最后,本文通過上述分析的理論基礎(chǔ),設(shè)計并實現(xiàn)了一個簡單的主題爬蟲系統(tǒng)。實驗結(jié)果表明,相比于寬度優(yōu)先搜索算法和基于頁面內(nèi)容評價的傳統(tǒng)的Best-First算法,本文提出的改進(jìn)算法具有更高的準(zhǔn)確率和召回率,它是有效的。
【關(guān)鍵詞】：Best-First算法 主題相關(guān)性 HTML標(biāo)簽 準(zhǔn)確率 召回率
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)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8-16
• 1.1 選題背景及研究意義8-10
• 1.2 研究現(xiàn)狀及難點問題10-14
• 1.2.1 國內(nèi)外研究現(xiàn)狀10-13
• 1.2.2 研究的難點問題13-14
• 1.3 主要研究內(nèi)容14-15
• 1.4 論文的組織和安排15-16
• 2 相關(guān)理論與技術(shù)16-26
• 2.1 網(wǎng)絡(luò)爬蟲基本原理16-19
• 2.1.1 網(wǎng)絡(luò)爬蟲框架16-17
• 2.1.2 爬蟲搜索策略17-19
• 2.2 主題爬蟲工作流程19-20
• 2.3 主題描述20-21
• 2.3.1 關(guān)鍵詞法20
• 2.3.2 Ontology法20-21
• 2.3.3 層次目錄樹法21
• 2.4 網(wǎng)頁預(yù)處理21-25
• 2.4.1 HTML標(biāo)簽21-22
• 2.4.2 網(wǎng)頁標(biāo)題和正文內(nèi)容的提取22-23
• 2.4.3 錨文本的提取23-25
• 2.4.4 中文分詞25
• 2.5 本章小結(jié)25-26
• 3 基于頁面內(nèi)容評價的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 向量空間模型26-29
• 3.2.3 權(quán)重計算方法29-32
• 3.3 改進(jìn)Best-First算法32-37
• 3.4 本章小結(jié)37-38
• 4 實驗及結(jié)果分析38-44
• 4.1 評價標(biāo)準(zhǔn)38-39
• 4.2 實驗分析39-43
• 4.2.1 實驗環(huán)境簡介39
• 4.2.2 實驗參數(shù)分析39-40
• 4.2.3 實驗結(jié)果分析40-43
• 4.3 本章小結(jié)43-44
• 5 總結(jié)和展望44-46
• 5.1 總結(jié)44
• 5.2 展望44-46
• 致謝46-47
• 參考文獻(xiàn)47-50
• 附錄50

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

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

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

3 蔣桂梅;;網(wǎng)頁設(shè)計的藝術(shù)性[J];電腦知識與技術(shù);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(shù)研究:現(xiàn)狀與總結(jié)[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(shè)計與實現(xiàn)[J];計算機光盤軟件與應(yīng)用;2012年18期

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

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

10 項鎮(zhèn);網(wǎng)頁設(shè)計新概念[J];江西教育學(xué)院學(xué)報(自然科學(xué));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(shè)計的藝術(shù)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(xué)術(shù)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(lǐng)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(xué)術(shù)會議論文集（技術(shù)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(guān)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(xué)聯(lián)合學(xué)術(shù)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(jié)構(gòu)劃分方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學(xué)術(shù)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(dá)中的應(yīng)用研究[A];2006年中國機械工程學(xué)會年會暨中國工程院機械與運載工程學(xué)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(xué)術(shù)交流會通信與信息技術(shù)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(jié)構(gòu)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(xué)術(shù)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(xué)術(shù)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(jié)構(gòu)挖掘技術(shù)研究[A];NCIRCS2004第一屆全國信息檢索與內(nèi)容安全學(xué)術(shù)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(xué)術(shù)會議論文集（技術(shù)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(wù)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(yán)小斌;一種新型WEB開發(fā)技術(shù)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(luò)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(luò)應(yīng)用 天龍八“步” 申請上網(wǎng)賬號[N];電腦報;2002年

中國博士學(xué)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(shù)研究[D];北京郵電大學(xué);2013年

2 龔昌盛;基于語義標(biāo)注的網(wǎng)頁廣告加載模型研究[D];武漢大學(xué);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(xué);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(xué);2007年

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

6 曹魯慧;Web個人信息集成問題研究[D];山東大學(xué);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(xué);2012年

8 羅娜;基于本體的主題爬行技術(shù)研究[D];吉林大學(xué);2009年

9 張勇實;基于鏈接相似性分析的WEB結(jié)構(gòu)挖掘方法研究[D];哈爾濱工程大學(xué);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(xué);2006年

中國碩士學(xué)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(jìn)的研究[D];上海師范大學(xué);2015年

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

3 張W

本文編號：316112