- 1、本文档共62页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
搜索引擎技术闫宏飞北京大学计算机系网络实验室.ppt
搜索引擎技术 闫宏飞,yhf@ 北京大学计算机系网络实验室 2004年12月24日@CERNET2004 内容提要 搜索引擎工作原理 信息检索相关研究和机构 搜索引擎 — Web Search Engines 定义:允许用户递交查询,检索出与查询相关的网页结果列表,并且排序输出。 创建索引的方法 手工索引 自动索引 系统结构 集中式体系结构 分布式体系结构 搜索引擎三段式工作流程 搜集 批量搜集,增量式搜集;搜集目标,搜集策略 预处理 关键词提取;重复网页消除;链接分析;索引 服务 查询方式和匹配;结果排序;文档摘要 搜索引擎系统流程 天网搜索引擎系统流程 分布式Web搜集系统结构 天网存储格式 File Organizations (Indexes) Choices for accessing data during query evaluation Scan the entire collection Typical in early (batch) retrieval systems Computational and I/O costs are O(characters in collection) Practical for only “small” text collections Large memory systems make scanning feasible Use indexes for direct access Evaluation time O(query term occurrences in collection) Practical for “large” collections Many opportunities for optimization Hybrids: Use small index, then scan a subset of the collection Indexes What should the index contain? Database systems index primary and secondarykeys This is the hybrid approach Index provides fast access to a subset of database records Scan subset to find solution set IR Problem: Cannot predict keys that people will use in queries Every word in a document is a potential search term IR Solution: Index by all keys (words) ?full text indexes Index Contents The contents depend upon the retrieval model Feature presence/absence Boolean Statistical (tf, df, ctf, doclen, maxtf) Often about 10% the size of the raw data, compressed Positional Feature location within document Granularities include word, sentence, paragraph, etc Coarse granularities are less precise, but take less space Word-level granularity about 20-30% the size of the raw data,compressed Indexes: Implementation Common implementations of indexes Bitmaps Signature files Inverted files Common index components Dictionary (lexicon) Postings document ids word positions Inverted Files Inverted Files Word-Level Inverted File Inverted Search Algorithm Find query elements (terms) in the lexicon Retrieve postings for each lexicon entry Manipulate postings according t
文档评论(0)