基于网页正文结构树的近似网页去重算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究的意义 | 第9-10页 |
| 1.3 信息检索与搜索引擎 | 第10-14页 |
| 1.3.1 信息检索 | 第10页 |
| 1.3.2 搜索引擎 | 第10页 |
| 1.3.3 搜索引擎的分类 | 第10-14页 |
| 1.4 论文结构 | 第14-15页 |
| 2 相关技术研究 | 第15-23页 |
| 2.1 文本复制检测 | 第15-16页 |
| 2.2 国内外去重方法介绍 | 第16-21页 |
| 2.2.1 基于 URL 的去重 | 第16页 |
| 2.2.2 基于特征串匹配的去重算法 | 第16-18页 |
| 2.2.3 基于聚类去重算法 | 第18-21页 |
| 2.3 去重时机 | 第21页 |
| 2.4 论文主要创新点 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 基于正文结构树及关键句的去重算法 | 第23-32页 |
| 3.1 正文结构树 | 第25-26页 |
| 3.1.1 标签权值设定 | 第25页 |
| 3.1.2 正文结构树的表示 | 第25-26页 |
| 3.2 转载网页的特点 | 第26-27页 |
| 3.3 基于正文结构树和特征句去重算法 | 第27-30页 |
| 3.3.1 基于正文结构树和长句去重算法基本思想 | 第27页 |
| 3.3.2 基于正文结构树和长句去重算法的劣势 | 第27-28页 |
| 3.3.3 特征句的选取 | 第28-30页 |
| 3.4 基于长句和基于关键句的特征句数目的比较 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 基于网页正文结构及特征串的近似网页去重算法 | 第32-44页 |
| 4.1 近似重复网页的重复模式 | 第32-33页 |
| 4.2 对正文结构树算法的部分改进 | 第33-34页 |
| 4.3 Bloom Filter 算法 | 第34-37页 |
| 4.3.1 Bloom Filter 基本原理 | 第34-36页 |
| 4.3.2 Bloom Filter 算法的实现 | 第36-37页 |
| 4.4 特征串的提取 | 第37-38页 |
| 4.5 算法流程流程 | 第38-42页 |
| 4.5.1 标题匹配 | 第39-40页 |
| 4.5.2 关键词的匹配 | 第40页 |
| 4.5.3 各层节点的匹配 | 第40-42页 |
| 4.6 去重时间分析 | 第42-43页 |
| 4.7 对于分页网页的处理 | 第43页 |
| 4.8 本章小结 | 第43-44页 |
| 5 实验结果及分析 | 第44-50页 |
| 5.1 算法的评估 | 第44-46页 |
| 5.2 算法的抗噪性 | 第46-49页 |
| 5.3 本章小结 | 第49-50页 |
| 6 总结与展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录 | 第55页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第55页 |
