第五届全国搜索引擎和网上信息挖掘学术研讨会.ppt_第1页
第五届全国搜索引擎和网上信息挖掘学术研讨会.ppt_第2页
第五届全国搜索引擎和网上信息挖掘学术研讨会.ppt_第3页
第五届全国搜索引擎和网上信息挖掘学术研讨会.ppt_第4页
第五届全国搜索引擎和网上信息挖掘学术研讨会.ppt_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、第五届全国搜索引擎和网上信息挖掘学术研讨会,SEWM 2007 中文web检索评测报告 江西师范大学 报告人:曹瑛,内容提纲,评测目标 系统设计 实验结果 未来工作,评测目标,主题提取（TD） 查找主题相关的关键资源的入口 导航搜索 (HPNP) HP 查找指定名字的网站的首页 NP 查找指定名字的页面,主题提取,TD 任务分析 不能按照网页相似度大小来判断 站点是从一组相关网页的入口 网页深度一般不会大于4,导航搜索,导航搜索 (HPNP) 主页查找 检索返回的相关网页可能只来源于某几个网站 主页大部分是以“/”结尾，或者结尾包含“index”，“default”单词 指定页面查找 一般可以

2、按照网页的检索评分得到结果 查询任务和网页的title基本一致,系统设计,解压缩,查询任务分析,CWT200g,分析网页,分词,预处理,TD/HPNP,初次排序结果,检索,建立索引,二次检索,系统设计,分析网页 去掉冗余信息,只保留title和body的标签内容 分词 北大天网提供的CHSeg分词程序 统计词频,系统设计,查询分析 手动判断,分开HP和NP查询 对查询进行分词,统计词频 索引和检索 开源lucene 对提取的title和body建立索引 检索中运用向量模型 权重计算公式 W( ti, dj)=,二次排序 针对不同的查询任务采取不同策略 HP 查找主页首先要进行网页站点聚类,每个网站取出若干根据规则得到的主页后选页面,然后按照title: body=4:1重新评分,进行排序 NP 不进行二次排序 TD 首先要进行网页站点聚类,每个网站取出根据规则得到的候选页面,然后按照title: body=1:4重新评分,进行排序,提交结果,RUN1 firtex工具 RUN2 用title和body检索 RUN3 只用title进行检索,实验环境,操作系统 redhat9.0 系统配置 2.8G CPU ,内存4G 编程语言 java,总结和未来工作,网页结构提取 网页分

人人文库> 全部分类> 应用文书 > 技术指导

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论