搜索引擎重复网页检测技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第8-13页 |
| ·研究背景及意义 | 第8页 |
| ·研究现状简介 | 第8-10页 |
| ·本文主要研究工作 | 第10-11页 |
| ·本文组织 | 第11-13页 |
| 2 相关理论和技术研究 | 第13-27页 |
| ·重复网页的定义 | 第13-14页 |
| ·常用重复网页检测算法 | 第14-20页 |
| ·SCAM 算法 | 第14-15页 |
| ·DSC 和DSC-SS 算法 | 第15-16页 |
| ·I-Match 算法 | 第16-17页 |
| ·全文分段签名算法 | 第17-18页 |
| ·基于关键词匹配算法 | 第18-19页 |
| ·基于特征码抽取算法 | 第19-20页 |
| ·常用算法的性能分析 | 第20-21页 |
| ·重复网页检测技术的关键环节 | 第21-27页 |
| ·特征提取 | 第22-24页 |
| ·特征比较 | 第24-27页 |
| 3 关键技术介绍 | 第27-36页 |
| ·MD5 算法 | 第27-28页 |
| ·二叉排序树 | 第28-30页 |
| ·中文分词技术 | 第30-36页 |
| ·中文分词的应用 | 第31页 |
| ·中文分词的难点 | 第31-32页 |
| ·中文分词的方法 | 第32-34页 |
| ·ICTCLAS 汉语分词系统介绍 | 第34-36页 |
| 4 一种基于语义的重复网页检测算法 | 第36-45页 |
| ·算法描述 | 第36-37页 |
| ·关键词权值排序方法 | 第37页 |
| ·关键词字母排序方法 | 第37页 |
| ·预处理 | 第37-38页 |
| ·词语权值计算方法 | 第38-41页 |
| ·位置权值 | 第39-40页 |
| ·长度权值 | 第40-41页 |
| ·权值计算总公式 | 第41页 |
| ·算法流程 | 第41-42页 |
| ·算法分析 | 第42-45页 |
| 5 重复网页检测原型系统的设计及实验结果 | 第45-59页 |
| ·原型系统的设计 | 第45-49页 |
| ·系统的总体框架 | 第45页 |
| ·系统的具体模块 | 第45-47页 |
| ·基于语义的重复网页检测算法的实现 | 第47-49页 |
| ·算法的评测 | 第49-53页 |
| ·基准算法 | 第49-51页 |
| ·实验数据集 | 第51页 |
| ·评价指标 | 第51-53页 |
| ·实验结果 | 第53-59页 |
| ·运行环境 | 第53页 |
| ·确定算法的最优参数 | 第53-56页 |
| ·同基准算法的比较 | 第56-59页 |
| 6 结论与展望 | 第59-61页 |
| ·结论 | 第59-60页 |
| ·下一步研究工作 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 附录1 (攻读学位期间发表论文目录） | 第64页 |
