基于结构和主题的Web信息检索研究

论文摘要

随着Internet技术的突飞猛进，Web信息量爆炸性增长，人们越来越习惯使用搜索引擎查找所关心的信息了。但浩瀚的信息资源却给搜索引擎的发展提出了新的挑战。如何有效、快捷、准确地将查询结果返回给用户，提高Web信息检索效果，已变成一项迫切而有意义的研究课题和热点。本文主要是围绕HTML和XML两种文档的结构特征和主题内容两方面的因素考虑，对当前的Web信息检索技术进行研究，包括技术较为成熟的HTML文档检索与刚刚起步的XML文档检索。首先，本文对Web信息检索进行了概述，并简单介绍了搜索引擎的工作原理、检索模型、研究热点、组成结构、分类及评价标准。在HTML文档检索研究中，由于当前检索方法的精度不高，本文利用网页间链接关系和锚文本，综合考虑文档结构和内容，对现有网页排序算法进行合理改进。实验结果表明，该算法可以在一定程度上提高文档检索的准确率和召回率。其次，检索结果以列表形式返回给用户，给用户的浏览造成很大困难。为了方便用户浏览和节省查阅时间，本文使用一种基于链接扩展的方法实现检索结果的自动分类，使其以类别目录方式加以显示。实验结果表明，该方法可在一定程度上提高网页自动分类精度，并在SEWM2007中文网页分类中获得较好结果。此外，本文还在传统HTML检索理论的基础上，对XML文档检索进行研究，根据XML文档结构特征，提出了一种基于融合策略和主题分类的XML检索再次排序的改进方法。实验结果证明，该方法能够提高检索系统的综合评价指标，并在INEX2007任务评测中获得较好结果。Web信息检索不仅具有较高的研究价值，也有广阔的应用前景。本文针对当前Web信息检索技术做了进一步的研究与探讨，并解决了一些现存的问题，但后期还需要完善与深入研究。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 课题的研究内容来源
• 1.4 本文组织结构
• 2 搜索引擎概述
• 2.1 搜索引擎工作原理
• 2.2 经典检索模型
• 2.2.1 布尔模型
• 2.2.2 向量空间模型
• 2.2.3 概率模型
• 2.3 搜索引擎研究热点
• 2.4 搜索引擎分类
• 2.4.1 目录式搜索引擎
• 2.4.2 机器搜索引擎
• 2.4.3 元搜索引擎
• 2.5 搜索引擎评价指标
• 3 信息检索链接分析算法研究
• 3.1 研究意义
• 3.2 基于结构的链接分析经典技术
• 3.2.1 PageRank
• 3.2.2 HITS
• 3.2.3 PageRank与HITS算法比较
• 3.3 锚文本
• 3.4 基于PageRank和锚文本的排序算法研究
• 3.4.1 算法思想
• 3.4.2 实验过程及评价指标
• 3.4.3 实验结果与分析
• 3.5 本章小结
• 4 搜索结果表现技术
• 4.1 搜索结果分类意义
• 4.2 实现中文网页分类一般过程
• 4.3 中文网页分类算法研究
• 4.3.1 基于结构的网页分类研究动态
• 4.3.2 基于链接扩展的中文网页分类算法改进
• 4.3.3 实验过程及结果分析
• 4.4 本章小结
• 5 XML检索技术研究
• 5.1 研究意义
• 5.1.1 HTML不足
• 5.1.2 XML优势
• 5.2 XML检索研究现状
• 5.2.1 研究动态
• 5.2.2 研究主要内容
• 5.2.3 INEX介绍
• 5.3 XML及其相关技术
• 5.3.1 XML产生及包含元素
• 5.3.2 XML数据存储
• 5.3.3 XML文档解析技术
• 5.4 基于结构和查询主题的XML检索研究
• 5.4.1 基于融合策略的排序思想
• 5.4.2 查询主题分类在排序中的应用
• 5.5 实验介绍
• 5.5.1 实验过程及评价指标
• 5.5.2 实验结果与分析
• 5.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢