网络门户搜索引擎网站的技术和存在问题及发展趋势.ppt

网络门户搜索引擎网站的技术和存在问题及发展趋势;网络搜索引擎在网络信息资源查找中起到了重要作用， 它可以帮助人们从数以亿计的网络信息中找自己想要的信息。搜索引擎以一定的策略在互联网中搜集。发现信息，对信息进行理解、提取、组织和处理，并为用户提供检索服务，从而起到信息导航的目的。搜索引擎提供的导航服务已经成为互联网上非常重要的网络服务，搜索引擎点也被美誉为“网络门户”。搜索引擎技术因而成为计算机工 业界和学术界争相研究开发的对象;搜索引擎的基本构成和工作原理;1.搜索器。搜索器的功能是在互联网中漫游，发现和搜 集信息。它常常是一个计算机程序，日夜不停地运行。它要 尽可能多、尽可能快地搜集各种类型的新信息，同时因为互 联网上的信息更新很快，所以还要定期更新已经搜集过的旧 信息，以避免死连接和无效连接。目前有两种搜集信息的策 略： 从一个起始URL 集合开始，顺着这些URL 中的超链 （Hyperlink），以宽度优先、深度优先或启发式方式循环地 在互联网中发现信息。这些起始URL 可以是任意的URL，但常 常是一些非常流行、包含很多链接的站点（如Yahoo！）。将 Web 空间按照域名、IP 地址或国家域名划分，每个搜索器负 责一个子空间的穷尽搜索。 搜索器搜集的信息类型多种多 样，包括HTML、XML、Newsgroup 文章、FTP 文件、字处理文 档、多媒体信息。 搜索器的实现常常用分布式、并行计算技 术，以提高信息发现和更新的速度。商业搜索引擎的信息发 现可以达到每天几百万网页。;2.索引器。索引器的功能是理解搜索器所搜索的信息， 从中抽取出索引项，用于表示文档以及生成文档库的索引表。 在搜索引擎中，一般要给单索引项赋与一个权值，以表示该 索引项对文档的区分度，同时用来计算查询结果的相关度。 使用的方法一般有统计法、信息论法和概率法。短语索引项 的提取方法有统计法、概率法和语言学法。索引表一般使用 某种形式的倒排表（Inversion List），即由索引项查找相应 的文档。索引表也可能要记录索引项在文档中出现的位置， 以便检索器计算索引项之间的相邻或接近关系（proximity）。 索引器可以使用集中式索引算法或分布式索引算法。当数据 量很大时，必须实现即时索引（Instant Indexing），否则不 能够跟上信息量急剧增加的速度。索引算法对索引器的性能 （如大规模峰值查询时的响应速度）有很大的影响。一个搜 索引擎的有效性在很大程度上取决于索引的质量。;3.检索器。检索器的功能是根据用户的查询在索引库中 快速检出文档，进行文档与查询的相关度评价，对将要输出 的结果进行排序，并实现某种用户相关性反馈机制。;4.用户接口。用户接口的作用是输入用户查询、显示查 询结果、提供用户相关性反馈机制。主要的目的是方便用户 使用搜索引擎，高效率、多方式地从搜索引擎中得到有效、 及时的信息。用户接口的设计和实现使用人机交互的理论和 方法，以充分适应人类的思维习惯。;（二）搜索引擎的分类;1.基于目录的搜索引擎。基于目录的搜索引擎将收集到 的信息分到某一个类中，典型的基于目录的搜索引擎有Yahoo 和Magellan。目录式搜索引擎提供由网页作者呈送的因特网 资源的链接集合，同时对这些资源做出评价并组织成主题目 录。它使用一定的选择标准用于挑选所录用的链接资源，不 同的目录式搜索引擎使用不同的选择标准。它有两种基本类 型：一种是由主题专家日常建立和维护的学术性专业目录以 满足科研人员的需要； 另一方面是为普通大众和商业服务的 商业目录。;2.基于机器人的搜索引擎。基于机器人的搜索引擎从一 组已知的文档出发，通过这些文档的超文本链接确定新的检 索点，然后用索引机器人周游这些新的检索点，标引这些检 索点上的新文档，将这些新文档加入到索引数据库。以后搜 索引擎可以用这个索引数据库去回答用户的提问。机器人搜 索引擎不是靠人工发现和甄别信息，而是由一个被称作“蜘 蛛”的计算机程序在网中爬行，依据一定的网络协议在因特 网中发现、加工、整理信息，并为用户提供检索服务。;3.基于客户的搜索引擎。基于客户的搜索引擎用Web 客 户器中的周游软件，它们从一组已知的文档出发，检索WWW 上的文档并传送这些文档，然后用文档中的超文本链接找到 更多的文档，直到满足要求。基于客户的搜索引擎不需要第 三方检索接口，因此可改善用户界面，因为基于客户的搜索 是实时的，它可以搜索到最新的资料，但搜索速度慢，网络 负载和服务器负载都太大。;4.元搜索引擎。元搜索引擎将用户查找要求递交给其它 搜索引擎。它的注意力放在改进用户界面及用不同的方法过 滤它从其它搜索引擎接收到的相关文档，包括消除重复信息， 元搜索引擎设计简单，但网络的负载太大，典型的元搜索引 擎有ME