资源描述
SEWM 2007 SEWM 2007 中文中文webweb检索评测报告检索评测报告http:/ 评测目标评测目标 系统设计 实验结果 未来工作http:/ (HPNP)HP 查找指定名字的网站的首页 NP 查找指定名字的页面http:/ 任务分析 不能按照网页相似度大小来判断l站点是从一组相关网页的入口l网页深度一般不会大于4http:/ (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http:/ 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http:/ 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)=,2,()i jii jitfidftfidfhttp:/ 二次排序针对不同的查询任务采取不同策略 HPu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 NPu不进行二次排序 TDu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http:/ RUN1 firtex工具 RUN2 用title和body检索 RUN3 只用title进行检索http:/ 操作系统 redhat9.0 系统配置 2.8G CPU,内存4G 编程语言 javahttp:/ 网页分块 字体大小、文字样式 词的位置关系 链接关系分析 锚文本的利用 检索模型的更新http:/
展开阅读全文