主題爬蟲(chóng)算法的研究與實(shí)現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，上網(wǎng)人數(shù)的不斷增長(zhǎng)，網(wǎng)絡(luò)上的信息量也急速增加。所有這些都給搜索引擎提出了挑戰(zhàn)，傳統(tǒng)的搜索引擎已經(jīng)不可能提供給用戶既全面又具有專業(yè)深度的服務(wù)了，垂直搜索引擎應(yīng)運(yùn)而生。主題網(wǎng)絡(luò)爬蟲(chóng)作為垂直搜索引擎的抓取模塊，負(fù)責(zé)搜集網(wǎng)上的網(wǎng)頁(yè)信息。主題爬蟲(chóng)的好壞直接影響著搜索引擎的服務(wù)質(zhì)量，故作為搜索引擎的重要組成部分，尤其值得去研究和改進(jìn)。
　　近年來(lái)，對(duì)主題爬蟲(chóng)的研究主要集中于兩個(gè)方面——主題爬蟲(chóng)搜索策略和主題相關(guān)性算法。本

2、文即針對(duì)這兩方面展開(kāi)了討論，所做的主要工作和研究成果包括:
　　(1)文章對(duì)主題爬蟲(chóng)相關(guān)技術(shù)進(jìn)行了研究。簡(jiǎn)要描述了互聯(lián)網(wǎng)上主題頁(yè)面的分布特征、URL、正則表達(dá)式的應(yīng)用、網(wǎng)頁(yè)獲取、網(wǎng)頁(yè)內(nèi)容分析等方面的理論，為建立主題爬蟲(chóng)墊定了基礎(chǔ)。
　　(2)研究并改進(jìn)了主題相關(guān)度判定算法。在傳統(tǒng)向量空間模型的基礎(chǔ)上，根據(jù)網(wǎng)頁(yè)的結(jié)構(gòu)特征，對(duì)特征項(xiàng)關(guān)鍵詞進(jìn)行加權(quán)。根據(jù)主題詞的語(yǔ)義多樣性，引入語(yǔ)義相似矩陣對(duì)網(wǎng)頁(yè)特征項(xiàng)進(jìn)行相似性轉(zhuǎn)換。提高了主題爬蟲(chóng)

3、對(duì)相關(guān)網(wǎng)頁(yè)的識(shí)別度和下載率，避免無(wú)關(guān)網(wǎng)頁(yè)的下載。
　　(3)將全局搜索突出的遺傳算法和局部搜索效果較好的模擬退火算法引入到主題爬蟲(chóng)的搜索策略中，并結(jié)合了改進(jìn)的VSM相關(guān)度算法及URL鏈接的重要度共同計(jì)算待抓取URL的優(yōu)先級(jí)別，從而確定爬蟲(chóng)的抓取方向。
　　(4)實(shí)現(xiàn)了一個(gè)行業(yè)定制的主題爬蟲(chóng)——澳洲建筑商服務(wù)系統(tǒng)中的爬蟲(chóng)模塊。詳細(xì)地從技術(shù)方面介紹了行業(yè)定制爬蟲(chóng)的特點(diǎn)。
　　(5)在通用爬蟲(chóng)框架Heritrix的幫助下，對(duì)