校园网搜索引擎中网页去重技术的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 引言 | 第10-11页 |
| 1 绪论 | 第11-22页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 搜索引擎工作原理 | 第12-13页 |
| 1.2.2 校园网搜索引擎现状 | 第13-14页 |
| 1.2.3 文本复制检测技术研究现状 | 第14-16页 |
| 1.2.4 常用网页去重技术 | 第16-19页 |
| 1.3 课题研究意义 | 第19-20页 |
| 1.4 主要研究内容 | 第20-21页 |
| 1.5 本文组织结构 | 第21-22页 |
| 2 相关技术研究 | 第22-35页 |
| 2.1 重复网页概述 | 第22-25页 |
| 2.1.1 重复网页定义及类型 | 第23-24页 |
| 2.1.2 网页去重意义 | 第24页 |
| 2.1.3 网页去重时机 | 第24-25页 |
| 2.2 网页净化与正文内容提取 | 第25-30页 |
| 2.2.1 网页噪音概述 | 第25-26页 |
| 2.2.2 网页净化与正文提取技术 | 第26-30页 |
| 2.3 中文分词 | 第30-31页 |
| 2.4 Nutch 插件机制 | 第31-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 索引时网页去重算法研究 | 第35-40页 |
| 3.1 基于全文段落签名的去重算法 | 第35-37页 |
| 3.1.1 算法描述 | 第35-36页 |
| 3.1.2 算法分析 | 第36-37页 |
| 3.2 基于最长段落签名的网页去重算法 | 第37-39页 |
| 3.2.1 算法描述 | 第37-39页 |
| 3.2.2 算法分析 | 第39页 |
| 3.3 本章小结 | 第39-40页 |
| 4 检索时网页去重算法研究 | 第40-45页 |
| 4.1 检索模块整体结构 | 第40-41页 |
| 4.2 基于傅立叶变换的网页去重算法 | 第41-42页 |
| 4.3 算法优化设计 | 第42-43页 |
| 4.4 算法分析 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 5 网页去重技术在校园网搜索引擎中的应用 | 第45-65页 |
| 5.1 校园网搜索引擎系统的设计和部署 | 第45-49页 |
| 5.1.1 校园网搜索引擎的设计 | 第45-46页 |
| 5.1.2 实现环境和系统部署 | 第46-49页 |
| 5.2 系统主要模块实现 | 第49-55页 |
| 5.2.1 Nutch 中添加中文分词 | 第49-53页 |
| 5.2.2 网页净化与正文提取 | 第53-55页 |
| 5.3 基于最长段落签名的网页去重算法实现 | 第55-59页 |
| 5.3.1 算法实现 | 第55-56页 |
| 5.3.2 实验结果及分析 | 第56-59页 |
| 5.4 优化傅立叶变换的网页去重算法实现 | 第59-63页 |
| 5.4.1 算法实现 | 第59-61页 |
| 5.4.2 实验结果及分析 | 第61-63页 |
| 5.5 系统运行 | 第63-64页 |
| 5.6 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 在学研究成果 | 第72-73页 |
| 致谢 | 第73页 |
