搜索引擎中網(wǎng)頁凈化與消重技術研究.pdf

1、互聯(lián)網(wǎng)的飛速發(fā)展導致數(shù)字化信息呈爆炸式增長。搜索引擎作為幫助人們在海量信息中尋覓所需信息的工具，其重要性與日俱增。然而，由于網(wǎng)頁噪音和重復網(wǎng)頁的存在，搜索引擎的檢索結果中存在著大量的冗余信息，使得搜索引擎的服務質(zhì)量降低。因此，如何快速準確地去除網(wǎng)頁噪音和重復網(wǎng)頁成為一個亟待解決的問題。
　　 本文深入研究了搜索引擎中網(wǎng)頁凈化與消重的技術。首先分析了網(wǎng)頁噪音及網(wǎng)頁重復對搜索引擎的影響；然后介紹了網(wǎng)頁噪聲和網(wǎng)頁重復的相關概念及特點，

2、研究了網(wǎng)頁凈化與消重的經(jīng)典算法，并分析了這些算法的優(yōu)點和不足。
　　 在網(wǎng)頁凈化方面，根據(jù)同一網(wǎng)站的網(wǎng)頁結構布局基本相同的特點，提出了一種新的基于樹編輯距離的網(wǎng)頁凈化算法。該算法利用樹編輯距離和嚴格自頂向下映射原理，以最小的代價檢測網(wǎng)站的模板，并將該模板作為噪音信息從網(wǎng)頁中去除。實驗結果表明，該算法在保證網(wǎng)頁主題內(nèi)容完整的同時，有效的去除了網(wǎng)頁噪音。
　　 在網(wǎng)頁消重方面，針對web上網(wǎng)頁重復的現(xiàn)象，提出了一種新的基于信