学位论文 > 优秀研究生学位论文题录展示

基于Web信息检索的链接分析算法研究

作　者: 邓凯英
导　师: 孙铁利
学　校: 东北师范大学
专　业: 计算机应用技术
关键词: Web信息检索 PageRank 超链接分析主特征向量
分类号: TP391.3
类　型: 硕士论文
年　份: 2008年
下　载: 188次
引　用: 0次
阅　读: 论文下载

内容摘要

随着Internet技术的高速发展,Web已经成为人们获取信息的一个重要途径,由于Web上的文本信息日益增长,如何有效地检索用户所需的信息成为一个非常重要的研究课题。万维网WWW(World Wide Web)是一个巨大的、分布全球的信息服务中心,正在以飞快的速度扩展,这就对传统信息检索技术提出了新的挑战。在传统的信息检索技术没有突破性进展的现状下,从Web数据本身的特点出发,充分挖掘Web上最充分的超链接资源,通过超链接进行搜索,建立有效的Web信息检索模型,从而找到我们需要的信息。因此,链接结构分析在万维网的很多研究领域起着越来越重要的作用,本文将介绍链接结构在Web信息检索中的应用。近年来,许多研究者发现WWW上超链结构是个非常丰富和重要的资源,如果能够充分利用这些资源,可以极大地提高检索结果的质量。基于这种超链分析的思想,Sergey Brin和Lawrence Page在1998年提出了PageRank算法。Google搜索引擎依靠其PageRank机制及收敛算法一直处于该领域的领先地位,而收敛算法的好坏尤其重要,它直接决定了得到最终PageRank向量的时空开销,一个好的收敛算法可以使系统在较小的时空开销下得到最终向量值,从而使整个搜索的效率得到提高。在当前情况下,PageRank要处理的矩阵是巨大的,传统的矩阵理论不能直接应用于PageRank的计算。因此迫切需要利用PageRank转移矩阵特征值的特殊性,找到一个比较高效的计算方法来提高迭代法的收敛速度,以便提高PageRank的计算效率。本文首先分析由链接生成的万维网网络结构在Web信息检索中的应用,然后介绍PageRank算法的模型建立与主要性质。随后,在现有PageRank计算方法的研究基础上,作者推导加速PageRank计算的一般性公式,设计产生满足Web链接结构特征的高维随机矩阵的算法。本文提出General Extrapolation和Acceleration Extrapolation两种有效的加速收敛方法。最后,我们分别在高维随机矩阵数据和四个数据集上进行数值实验,实验结果证实加速PageRank计算的理论分析和算法的有效性。从实验结果可以看出,计算速度得到明显加快。

全文目录

摘要  4-5
ABSTRACT  5-10
第一章绪论  10-13
  1.1 研究背景  10
  1.2 研究现状和主要内容  10-11
  1.3 本文组织结构  11-13
第二章超链分析与WEB 信息检索  13-18
  2.1 超链分析概述  13-14
    2.1.1 超链接分析的提出  13
    2.1.2 常用超链分析方法  13-14
  2.2 WEB 信息检索技术  14-16
    2.2.1 Web 信息的特征  14-15
    2.2.2 主要信息检索模型  15-16
    2.2.3 Google 搜索引擎  16
  2.3 超链接分析的主要应用领域  16-17
  2.4 超链分析在WEB 信息检索中的应用  17
  2.5 本章小结  17-18
第三章 PAGERANK 算法基础  18-27
  3.1 PAGERANK 算法原理  18-21
  3.2 PAGERANK 算法模型  21-25
    3.2.1 马尔可夫链模型  21-23
    3.2.2 声望模型  23-24
    3.2.3 PageRank 随机冲浪模型  24-25
  3.3 PAGERANK 算法与HITS 算法比较  25-26
  3.4 本章小结  26-27
第四章加速PAGERANK 收敛算法  27-44
  4.1 PAGERANK 向量计算现状  27-31
    4.1.1 幂法  28-30
    4.1.2 Aitken Extrapolation 算法  30-31
    4.1.3 Quadratic Extrapolation 算法  31
  4.2 GENERAL EXTRAPOLATION 法  31-37
    4.2.1 General Extrapolation 公式  31-34
    4.2.2 General Extrapolation 算法  34-35
    4.2.3 生成高维随机矩阵  35-36
    4.2.4 实验结果与分析  36-37
  4.3 ACCELERATION EXTRAPOLATION 算法  37-43
    4.3.1 Acceleration Extrapolation 原理  37-39
    4.3.2 Acceleration Extrapolation 实现  39-40
    4.3.3 实验结果与分析  40-43
  4.4 本章小结  43-44
第五章总结与展望  44-46
  5.1 总结  44-45
  5.2 展望  45-46
参考文献  46-50
致谢  50-51
在学期间公开发表论文情况  51

相似论文

主题搜索引擎关键技术研究,TP391.3
基于搜索引擎网页排序算法研究,TP391.3
基于链接结构分析的Web页面排序算法,TP393.092
搜索引擎主题相关性研究,TP391.3
基于点击数据分析的个性化搜索引擎研究,TP391.3
基于数据挖掘技术的网络社区发现方法的研究与实现,TP393.094
基于查询扩展的垂直搜索研究,TP391.3
一种新的Web结构挖掘算法的研究,TP311.13
基于链接分析的PageRank排序算法的改进研究,TP391.3
基于云计算的Web结构挖掘算法研究,TP311.13
面向主题的博客资源挖掘关键技术研究,TP393.09
基于搜索算法的Web安全,TP393.08
语义Web技术在信息检索系统中的应用研究,G354
DistanceRank与HITS混合的网页排序算法研究,TP393.092
基于手机图片搜索引擎的设计与实现,TP391.3
基于谷歌矩阵第二特征值重数的两类外推加速算法,O151.21
基于Web信息挖掘的企业竞争情报系统的研究,F272
搜索引擎中的Pagerank排序算法研究分析,O223
PageRank算法在非网页检索问题中的应用,TP391.3
恶意URL检测项目中基于PageRank算法的网络爬虫的设计和实现,TP391.3
高校毕业生就业推荐系统的设计与开发,TP311.52