基于时间技术搜索引擎排名算法.docVIP

基于时间技术搜索引擎排名算法 　　摘 要： 提出一种基于用户浏览网页时间的搜索引擎新排名算法time-Rank。该算法根据用户浏览时间的信息，更加准确地计算网页的排名得分，提高搜索引擎排名的准确性。算法基于浏览任意两个网页之间的时间差，对用户浏览网页时间进行计算，该算法能够更加准确地模拟用户浏览网页的时间长短。由于浏览时间不同，用户对网页的喜爱程度也就不同，直接体现该页面针对不同用户的重要程度。 　　关键词： time-Rank；PageRank；Hits；搜索引擎；排序 　　中图分类号：TP391 文献标识码：A 文章编号：1671-7597（2012）1110013-02 　　0 引言 　　由于互联网的出现和迅速发展，搜索检索的环境发生了重大变化。而基于互联网的搜索引擎的排名算法，直接关系到用户获取相关信息的准确性。网页链接结构是搜索引擎排名算法的基础，其中有两种算法很流行：PageRank[4]算法和Hits[3] 　　算法，这两种算法国内外有许多学者和研究机构都进行了研究。但是，在传统的PageRank算法中，PageRank得分表示的是用户浏览某篇网页的概率。但此得分的计算过程有一个前提，那就是用户浏览网页的过程是绝对随机，并且是盲目的。于是，所有的出链都被赋予相同的权值，每篇被链到的页面都得到这个权值，完全没有考虑用户对两个网页的重视程度，这显然是不合理的。用户点击下一网页不是盲目的，用户是根据自己感兴趣的内容点击下以网页，PageRank和HITS算法都没有考虑这些，从而不能体现该网页对用户的重要程度，而timeRank 算法解决了这个问题。 　　1 PageRank算法 　　PageRank[4]算法是斯坦福大学的Larry Page和Sergey Brin在1996年提出的。 　　其基本概念是：每个网站都有外部链接和内部链接，其中数量和质量关系该网站的价值，如果网页v有其它网页进行链接，这样说明网页v对于其它网页比较重要，这相当每个页面对网页v进行了一次投票。链接越多，被其他网页的投票也就越多，每个网页都有重要性得分值，假设网页A它的重要性为：PageRank值PR（A）和A的出链（从A链出的链接）数C（A）的比值，具体公式为PR（A）/C（A）。 　　假设有T1…Tn个网页指向A，参数d为阻尼系数，是0到1之间的值，通常假设??0.85。C（A）是一个从网页A的链出的网页数。A的PageRank值由以下公式计算： 　　假设用户当前在浏览某一网页Ti，下一步它要么以概率 　　以概率1-d在Web中均匀地选择任一页面进行浏览。Web中存在的大量独立网页，用公式（1）计算的PageRank值为0.15，太高，于是Google又给出了公式： 　　2 time-Rank算法 　　2.1 算法 　　网页的重要性对于用户来说是不同的，即使它们的链接结构是一样的，因此怎样把网页内容和链接结构关系到一起？如果用户对网页感兴趣，那么用户浏览的时间比那些用户不感兴趣的网页浏览时间要长，这意味着网页的内容更可能是用户想搜索到的，如果我们把浏览时间加入到排序算法中，我们更能准确的计算网页排序的分数，因此，怎样估算浏览网页的时间是当前算法的关键。 　　为了估计出用户浏览网页的时间，我们做出一个合理的假设，假设用户点击的网页是来自搜索解析的网页集合中的网页，意思是说，用户在搜索引擎中输入关键字，得到相关的网页结合，假设用户每次只点击一个网页，一直到浏览完该网页才去点击另一网页，换句话说，每次用户点击不超过两个网页，直到浏览完一个网页再去浏览另一个，如果用户在这种方式下浏览网页，它存在一个浏览序列。 　　假设P为序列，向量P={p1，p2….，pn}，n代表用户输入的关键字，所解析返回的网页数量，基于这个序列，我们能计算出浏览网页的时间TJ代表用户点击网页Pj的时间，Tj+1代表用户点击网页Pj+1的时间，因此用户浏览网页Pj的时间是Tj+1-Tj，用户浏览浏览网页的时间为：TM={t1，t2….，tn}。 　　我们添加时间因素进入算法，是因为如果用户感兴趣该网页，有可能是和用户搜索的主题相关，这样用户就会浏览更长的时间，否则用户很快就离开该网页，浏览很短的时间。因此计算过程如下： 　　基于超链接的排名，每个网页有n个时间分数，n代表主题的数量。首先，运用web图算法并计算每个离线下网页的等级，这个计算过程是基于[1]。 　　其次，计算关键字和超链接的相似度，用户提交关键字给搜索引擎后，搜索引擎必须确保关键字和超链接想匹配，根据贝叶斯理论[2]，解析q和超链接j之间的关系有可能是： 　　H（j）代表j的每个页面的超链接，PR（H（j））代表在相关网页集中所占的比例，PR（q|H（j））代表在超链接j中包含q所占的比例，计算这个的目的是