基于本體的博客搜索引擎關(guān)鍵技術(shù)研究與實(shí)現(xiàn).pdf

1、隨著博客(Blog)的迅猛發(fā)展,Blog網(wǎng)頁(yè)數(shù)量急劇膨脹,如何在數(shù)量眾多的Blog頁(yè)面中找到自己感興趣的blog網(wǎng)頁(yè)?由于blog網(wǎng)頁(yè)的特殊性如blog更新頻繁,普通的網(wǎng)頁(yè)搜索引擎對(duì)blog的檢索效率不高,于是針對(duì)Blog頁(yè)面的專(zhuān)業(yè)搜索引擎Blog搜索引擎誕生了。然而現(xiàn)有Blog搜索引擎技術(shù)存在一些不足,表現(xiàn)在:第一,不支持文檔級(jí)別的查詢(xún),現(xiàn)有Blog搜索不支持用戶(hù)以Blog文章(博文)作為查詢(xún)?cè)~;第二,結(jié)果不能滿(mǎn)足用戶(hù)的查詢(xún)意圖;Bl

2、og搜索的結(jié)果中存在很多與查詢(xún)內(nèi)容無(wú)關(guān)或者相關(guān)度很低的搜索結(jié)果;第三,結(jié)果排序不理想,內(nèi)容無(wú)關(guān)或相關(guān)度較低的結(jié)果排在靠前位置,而較相關(guān)的結(jié)果排在較后位置。這些不足影響用戶(hù)積極性,阻礙了Blog搜索引擎的發(fā)展。作者研究發(fā)現(xiàn),這些不足之處可以歸納到二個(gè)方面:
　　一、是博文內(nèi)容相似計(jì)算問(wèn)題,不能支持文檔級(jí)別查詢(xún)是因?yàn)楝F(xiàn)有的Blog搜索引擎沒(méi)有有效的計(jì)算blog網(wǎng)頁(yè)相似的方法。而搜索結(jié)果不能滿(mǎn)足用戶(hù)的查詢(xún)意圖,主要是因?yàn)橄嗨剖欠钦Z(yǔ)義相似

3、或者相似值不準(zhǔn)確。
　　二、是檢索結(jié)果排序方面,如何讓內(nèi)容相關(guān)的結(jié)果排在前,這與檢索結(jié)果的排序算法相關(guān)。本文針對(duì)這兩個(gè)方面進(jìn)行了深入研究。針對(duì)博文內(nèi)容相似性比較方面,作者基于現(xiàn)有網(wǎng)頁(yè)內(nèi)容相似性計(jì)算方法的研究基礎(chǔ)上提出了基于本體的博文相似比較方法(Semantic Similarity of Posts basedon Ontology,SSPO)。
　　為了支持文檔相似的計(jì)算,SSPO提出個(gè)體本體以表示博文的信息,把博文相似

4、計(jì)算轉(zhuǎn)化成個(gè)體本體相似計(jì)算。博文網(wǎng)頁(yè)作為一種有效的信息載體,它不僅有普通網(wǎng)頁(yè)的特征,還具有普通網(wǎng)頁(yè)沒(méi)有的分類(lèi)、標(biāo)簽、評(píng)論等特征信息。為了提高相似計(jì)算的精確度,SSPO提出了博文特征的概念,改進(jìn)了關(guān)鍵詞提取算法。
　　針對(duì)搜索引擎排序算法的方面,作者分析了HITS算法和PageRank算法,本文重點(diǎn)研究了PageRank算法,針對(duì)它的不足,作者提出在PageRank算法中融合鏈接頁(yè)面的內(nèi)容相似思想。改進(jìn)后提出改進(jìn)的排序算法IPage

5、Rank,它的核心思想是如果博文A有正向鏈接到博文B,則表明博文A對(duì)博文B有貢獻(xiàn),貢獻(xiàn)的大小由該正向鏈接的兩個(gè)博文網(wǎng)頁(yè)內(nèi)容的相似度決定,相似度越高,博文A對(duì)博文B的貢獻(xiàn)值越大,否則越小。改進(jìn)后的算法既保證了結(jié)果網(wǎng)頁(yè)的公共權(quán)威性,又保證結(jié)果內(nèi)容是相關(guān)的。本文構(gòu)建了世博本體,實(shí)現(xiàn)了基于世博本體的Blog搜索引擎BSE,通過(guò)BSE的實(shí)現(xiàn)驗(yàn)證了SSPO和IPageRank的有效性,最后對(duì)本文提出的方法進(jìn)行了總結(jié)和對(duì)進(jìn)一步工作提出了展望。