欢迎光临
我们一直在努力

关于搜索引擎中文搜索的研究

目前的主要搜索引擎的模式都是,用户输入一些关键字或者句子,无论是那种,搜索引擎都会首先对用户的输入进行分词,这样可以增加搜索结果的准确性,这是和普通数据库搜索的不同点(普通的数据库搜索,只是简单的用like %关键字%),然后搜索引擎去海量的索引库去查找这些和用户输入相关的信息,显示的结果会包含网页的相关摘要。

  中文搜索引擎相关的技术包含:中文分词、网络蜘蛛、索引库、网页摘要的提取、网页相似度、信息的分类。

  1、中文分词

  中文分词一直是中文搜索引擎的关键点,中文不同英文,英文每个单词是用空格分开,而中文一个句子往往是一些词的连结,没有分割符,人可以很容易的看懂句子的意思,但是计算机很难开懂。

  目前我了解的中文分词方法,几乎都是有自己的中文词典,分词时去词典匹配,达到分词目的,分词的好坏,和词典关系很大。

  2、网络蜘蛛

  网络蛛蛛是指对浩瀚网络抓取信息的程序,他们往往是多线程,不分昼夜的抓取网络信息,同时要防止对某个站点抓取过快,导致信息提供方服务器过载。

  网络蜘蛛的基本原理:先从一个起始页面(建议从yahoo中文目录或者dmoz中文目录)开始抓取,获取此页面内容,摘要,然后提取页面所有连接,蜘蛛接着抓取这些连接,一直源源不断的抓取。这些只是基本原理,实际应用要复杂很多,你可以试着自己写一个蜘蛛,我曾经用PHP写过(PHP不能多线程,缺陷。)

  3、索引库

  搜索引擎都不会用已经成型的数据库系统,他们是自己开发的类似数据库功能的东西。

  搜索引擎需要保存大量网页信息,快照,关键字索引,所以数据量特别大。

  4、网页摘要的提取

  网页摘要是指对某个网页信息的总结,搜索引擎搜索结果里,往往会有网页标题下面,会有些介绍,让搜索者很容易的发现此文章是不是想要的信息。

  5、网页相似度

  网上经常有很多内容一样的网站,比如说同一条新闻,各大门户网站都会发布,它们的新闻内容都是一样的。还有一些个人网站,尤其是偷别人网站资料的网站,和别人网站搞的一模一样,这样的网站毫无意义,搜索引擎会自动区分,降低其权值。

  目前我研究的计算网页相似度的几种方法如下:

  1)根据网页摘要来比较,如果多个网页摘要的md5值一样,证明这些网页有很高的相似性。

  2)根据网页出现关键词,按照词频排序,可以取N个词频高的,如果md5值一样,证明这些网页有很高的相似性。

  6、信息的自动分类

  网络的信息实在是太庞大了,如何对其进行分类,是搜索引擎面临的难题。要让计算机对数据自动分类,先要对计算机程序进行培训。

赞(0) 打赏
未经允许不得转载:优友网 » 关于搜索引擎中文搜索的研究
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

大前端WP主题 更专业 更方便

联系我们联系我们

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏