| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 重复网页检测研究的背景 | 第11-13页 |
| 1.2 重复网页检测相关研究现状 | 第13-21页 |
| 1.2.1 研究工作的主要发展历程 | 第13-15页 |
| 1.2.2 重复网页检测相关算法简介 | 第15-21页 |
| 1.2.3 现有研究工作的不足 | 第21页 |
| 1.3 本文研究内容和主要工作 | 第21-22页 |
| 1.4 本文的组织结构 | 第22-24页 |
| 第二章 重复网页检测算法 | 第24-33页 |
| 2.1 重复网页检测算法的总体思路 | 第24-25页 |
| 2.2 相似性度量模型 | 第25-26页 |
| 2.3 中文句号特征 | 第26-27页 |
| 2.3.1 中文句号特征的作用 | 第26-27页 |
| 2.3.2 句号特征的定义和抽取 | 第27页 |
| 2.4 噪音特征的过滤 | 第27-28页 |
| 2.5 CCDet算法的实现 | 第28-31页 |
| 2.5.1 相似性计算过程 | 第28-29页 |
| 2.5.2 噪音特征的过滤过程 | 第29-30页 |
| 2.5.3 完整的重复网页检测和判定过程 | 第30-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第三章 重复网页检测算法并行化 | 第33-39页 |
| 3.1 MapReduce并行化框架 | 第33-34页 |
| 3.2 基于MapReduce实现CCDet算法的各个步骤 | 第34-38页 |
| 3.2.1 获取文档 | 第34-35页 |
| 3.2.2 提取特征并建立倒排索引 | 第35-36页 |
| 3.2.3 噪音特征过滤并统计文档对相同句号特征 | 第36-37页 |
| 3.2.4 计算相似性并判断重复关系 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 实验及其结果分析 | 第39-47页 |
| 4.1 实验数据和环境设置 | 第39页 |
| 4.2 精确率和召回率对比实验 | 第39-44页 |
| 4.2.1 CCDet与SpotSigs,Shingling和CoDet的比较 | 第40-43页 |
| 4.2.2 CCDet与IMatch(-S/-P)和LSH(-S/-P)比较 | 第43-44页 |
| 4.2.3 倒排索引剪切 | 第44页 |
| 4.3 算法效率比较实验 | 第44-45页 |
| 4.4 并行化算法的性能和可扩展性实验 | 第45-46页 |
| 4.5 本章实验小结 | 第46-47页 |
| 第五章 搜索引擎原型系统设计 | 第47-56页 |
| 5.1 Bingo系统框架 | 第47-48页 |
| 5.2 Nutch介绍 | 第48-50页 |
| 5.3 Bingo的后端设计 | 第50-52页 |
| 5.3.1 Bingo的模块设计 | 第50页 |
| 5.3.2 重复网页的聚类 | 第50-52页 |
| 5.3.3 Bingo的索引设计 | 第52页 |
| 5.4 Bingo的前端设计 | 第52-53页 |
| 5.5 Bingo的检索结果 | 第53-56页 |
| 第六章 总结 | 第56-58页 |
| 6.1 本文小结 | 第56-57页 |
| 6.2 未来工作 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 附录 | 第63-64页 |
