PageRank算法在非網(wǎng)頁檢索問題中的應用.pdf

1、在1998年,網(wǎng)絡信息檢索領域有兩種重要的網(wǎng)頁排序模型被提出,它們分別是HITS(HyperrextInducedTopicSearch)[5]和PageRank[11]。PageRank由于其固有的對惡意網(wǎng)頁的抗干擾性和檢索無關的特點逐漸成為主流的網(wǎng)絡信息排名方法。PageRank的這兩個優(yōu)點正是HITS的弱點。由于商業(yè)利益的原因,有很多的公司采用各種惡意網(wǎng)頁技術來欺騙搜索引擎的排序系統(tǒng)從而提高自己網(wǎng)頁的排名。如果搜索引擎檢索相關的話

2、,候選頁面和排序需要為每個檢索詞來單獨計算,這樣造成嚴重的系統(tǒng)負擔的同時也降低了檢索返回速度。檢索無關的搜索引擎通過事先計算出各個網(wǎng)頁的重要性從而在有查詢請求時快速的返回排序好的相關網(wǎng)頁。
　　隨著計算機性能的逐步提高和計算機硬件成本的降低,越來越多的多媒體信息如圖片,視頻等被出現(xiàn)在互聯(lián)網(wǎng)上。不同于文本檢索,多媒體信息的檢索長久以來一直沒有有效可行的辦法,大多數(shù)是沿用基于文本的檢索技術來利用多媒體信息周圍的文字信息對多媒體信息本身

3、進行排序。這樣不可避免的會導致對不同檢索詞檢索質(zhì)量的參差不齊,甚至出現(xiàn)很多跟檢索無關的檢索結果。近年來,很多研究人員通過利用多媒體信息本身的內(nèi)容來提高這類信息的檢索質(zhì)量。對網(wǎng)絡圖像檢索來說,Fergus[1]等人首先采用提取搜索引擎所返回的部分結果的圖像內(nèi)容,在利用這些圖像信息來對部分返回圖像重新排序,實驗證明這樣的方法明顯的改善了圖像檢索的質(zhì)量。Jing[2,3,4]等人在此基礎上,針對網(wǎng)絡圖像種類繁多的特點提出了VisualRank

4、來改善網(wǎng)絡圖像的檢索質(zhì)量。VisualRank首先提取出圖像本身的局部信息,然后利用locality-sensitivehashing[15]來對這些信息配對。這樣會產(chǎn)生一個圖像詳細關系圖,最后在這個圖上利用PageRank對每個圖像計算PageRank得分。VisualRank的適用返回比Fergus等人提出的方法更廣,但其提出的使用locality-sensitivehashing的圖像局部特征匹配方法將會導致內(nèi)存需求線性的增長。關

5、于不同主題的網(wǎng)絡圖像集的質(zhì)量又是千差萬別的,VisualRank并沒有這種區(qū)分能力,對所有的圖像特征都進行了匹配。為了克服這兩個問題,本文提出了基于網(wǎng)絡圖片顯著特征的網(wǎng)絡圖片檢索方法,首先篩選出那些出現(xiàn)頻率較高的特征點,以這些特征點作為圖像特征匹配的目標。
　　因為PageRank本身是通過一些節(jié)點本身的相似性來對這些節(jié)點進行重要性排序,所以它應該有很廣的應用范圍。針對于目前GPU技術的發(fā)展,GPU變得越來越復雜,并且各個模塊的相