基于网页链接结构和内容分析的PageRank算法改进研究-计算机科学与技术专业论文.docxVIP

摘要 摘要 万方数据 万方数据 摘要 网络中的信息每分每秒都在急剧增长，人们如何从海量数据中即时、有效地获取 所需信息，成为目前网络搜索引擎挑战的一大难题。网页排序算法作为搜索引擎的核 心技术，主要作用是将搜索到的相关网页排序后呈现给用户，因此在用户对搜索引擎 的评价因素中最重要的就是排序算法的优劣。应用于著名搜索引擎 Google 中的 PageRank 算法是由其创始人布林和佩奇所提出的，并成为了经典排序算法，尽管其 结合网络超链接结构，能够对搜索结果的排序效果进行优化，但仍然存在许多问题， 主要包括平均分配网页 PR 值、偏向旧网页、忽视用户兴趣和主题漂移。为了进一步 提升搜索引擎的用户满意度，满足用户的要求，本文进一步研究了对传统的 PageRank 算法的改进。 首先，本文通过综合考虑网络超链接结构以及用户反馈两大要素，引出本文所改 进的 PageRank 算法——BPR 算法。该算法包括两个主要因素：体现用户反馈的偏好 因子和体现网页在当前时间信息价值高低的网页热度因子。其中，用户对网页的偏好 因子是根据通过网页链接结构、点击量以及网页存在时间信息获得的，通过该因子 BPR 算法对新旧网页的权威值进行较合理分配；网页的热度因子则通过网页最近一 次被点击的时间与该网页当前被搜索引擎搜索到的当前日期的时间间隔获得的，该因 子对网页位置进一步做出修整，使得当前信息价值高的网页排序靠前，信息价值较低 的网页下沉。BPR 算法修正了 PageRank 算法中平均分配网页 PR 值、倾向旧网页、 忽视用户兴趣的不足，同时，实验结果表明，BPR 算法能够提升网页结果集排序效 果。 通过对第三章的研究，本文进一步分析用户点击行为，细化网页点击量为链接点 击量作为用户反馈信息，并在累计该信息时采用用户浏览时间对链接点击量进行过 滤；同时将网页链接结构细化为链入与链出，并结合网页实际内容以及网页存在时长 信息，提出了一种改进算法。该算法弥补了经典 PageRank 算法中平均分配网页 PR 值、倾向旧网页、忽视用户兴趣及主题漂移的不足。实验结果表明，该算法在一定程 度上对传统 PageRank 算法排序因子单一性进行了较好改善，进一步提升用户对检索 结果的可信度与满意度。 关键词：PageRank；用户反馈；链接结构；主题关联 I Abstract Abstract Along with the superspeed growth of network information, how to efficiently get information people need form the large number of data becomes a big challenge Internet search engines currently faced with. Web page ranking algorithm as the core technology of search engines is used to sort relevant pages in the search results. So user’s evaluation to search engine can be directly affected by the ranking algorithm. Though the classic PageRank algorithm put forward by Larry Page and Sergey Brin, can make the sorting effect better, there are still many problems: average distribution of PR value, bias to old pages, neglect to user interest and topic drift. To promote user’s experience to search engines, further researches of improving PageRank algorithm have been done here. Firstly, considering the network hyperlink structure and user feedback structure, BPR algorithm is brought up here. Two factors are blended in BPR algorithm. One is the preferences factor reflecting user feedback; another is