关键词： 搜索引擎   文本分类   网络爬虫   Lucene  

摘要： 随着Internet的迅猛发展,搜索引擎已经成为人们处理Web信息、获取信息资源的必备工具。传统的搜索引擎,即通用搜索引擎不能满足人们对个性化信息检索服务日益增长的需要。近年来,基于文本分类技术的面向专题的搜索引擎应运而生,以提供分类更细致精确的Web信息检索服务。 文本自动分类是指在给定的分类体系下,根据文本的内容自动判别文本类别的过程。近年来,文本分类技术已经逐渐与搜索引擎、信息推送、信息过滤等信息处理技术相结合,有效地提高了信息服务的质量。文本自动分类技术能够有效地将文本信息组织管理起来,帮助人们准确高效的定位文本信息,为用户获取所需信息提供有力的支持。 文本分类的关键技术主要包括向文本表示模型、特征项赋权、特征选取、分类器构建等,本文对这些技术作了详细介绍和深入分析。本文在向量空间模型基础上,通过针对常用的特征权重计算方法TF-IDF的分析,提出了一种新的权值计算方法。该权值计算方法将特征评估函数包含到特征权值计算中,按照特征对文本分类的辨别能力调整其在权重计算中的贡献。 网页是一种超文本文档,其中含有文本信息和许多超文本标记等结构信息。本文通过分析HTML标记对特征值权重的影响,在特征赋权方面,提出了结合TF-IDF与HTML标记分布信息的权重计算法。实验结果表明改进的权重计算法对分类精度有所提高。 本文介绍了Lucene搜索架构以及Lucene各个模块的组成和使用,利用开源的Lucene引擎架构设计一个搜索测试系统。

关键词： 化学工业-情报检索-高等学校-教材-化学-情报检索-高等学校-教材  

关键词： 移动Agent   分布式系统   信息检索   搜索引擎   Aglet  

摘要： 目前人们普遍使用搜索引擎技术来检索Internet上的信息。搜索引擎是基于WWW的信息处理系统,它在一定程度上为人们解决了在WWW上查找信息的问题。但是现有的信息都是分布在异构的、分布式的、复杂的网络环境中的,传统的信息检索方式越来越清晰地显现出来局限性:第一,信息过载带来的效率低问题。现有的检索技术其查全率不高,即使检索出了大量的有一定关联的信息,但不一定是用户想要的,用户还必须从大量的信息中筛选出自己想要的,浪费了大量的时间和精力。第二,对网络有效带宽的依赖性较强,容易造成网络拥塞。传统的信息检索方式都是基于C/S模式的,在提供服务时,需要客户端与服务器保持稳定的连接,造成带宽的巨大浪费。第三,信息检索缺乏一定的智能性。此外,还存在安全性不高、移动性欠缺、检索的实时性也难以保证等缺点。 移动Agent是人工智能与分布式计算技术相结合的产物,它的移动性、自主性、协调性和智能性等特点,使得它在分布式系统中得到了广泛的应用,并显示出巨大的应用前景和优越性。本研究旨在探讨一种基于移动Agent的分布式信息检索模式,提高信息检索的效率,降低系统对网络带宽的依赖,实现信息检索的智能化。从而解决传统信息检索的效率低、安全性差、智能性不高等问题。 本论文首先分析了传统的分布式信息检索技术,重点剖析了搜索引擎技术,分析了它的优点以及其不足;接着阐述了移动Agent的系统结构和关键技术,通过比较分析了移动Agent技术和其他分布式计算技术,探讨了移动Agent技术应用于分布式信息检索的优势;设计了一个基于移动Agent的分布式信息检索模型,详细阐述了其各部分的功能和运行机制,并给出了移动Agent迁移机制、系统的容错机制、返回结果的“蜂拥”问题、安全问题等模型中所涉及关键问题的解决方案;以Aglet为开发平台,采用java程序设计语言实现了这一模型。

关键词： 信息检索   检索技巧   网络环境  

摘要： 介绍了信息检索的概念,阐述了网络环境下信息检索的模式,对网络环境下信息检索的技巧进行了探讨。

关键词： 跨语言信息检索   信息检索   语料库   机器翻译   多语种  

摘要： 介绍了跨语言信息检索理论的提出及发展,简介了相关的国际会议;阐述了跨语言信息检索的主要技术方法,并对跨语言信息检索理论应用研究进行了探讨,展望了跨语言信息检索的发展前景。

关键词： 对等网络   分布式哈希表   向量空间模型   潜在语义索引  

摘要： 目前P2P网络中的资源发现已经成为一个重要的研究课题.对P2P网络常见的几种搜索方法进行了介绍,包括非结构性的搜索方法和结构性的搜索方法,对这些方法的负载平衡、路由策略等进行了讨论,分析了P2P网络的体系结构及其搜索策略,以及P2P网络信息搜索的关键技术.

关键词： 网络信息资源   信息检索与利用课   研讨式教学模式   信息素质  

摘要： 解决《信息检索与利用课》存在的问题,使之有效地担负起培养大学生的信息素质、促进创新精神和创新能力提高的任务,基于网络信息资源的研讨式教学模式,是有效方法。论文从《信息检索与利用课》存在的现状与问题;实施研讨式教学模式的目标、意义、特点;对教学实施方案的认识三方面进行了探讨。

关键词： 信息检索与利用   双语教学   原版教材  

摘要： 分析了信息检索课双语教学的教学目的和学生的需求,从英语语言和专业内容两个方面探讨了英文原版教材评估。

关键词： 百度   个性化服务   信息检索   智能代理  

摘要： 目前Internet上有数以千计的搜索引擎,它们代表着未来网络信息检索的发展趋势之一。通过剖析百度搜索引擎的客户化信息服务特征,分析了未来网络信息检索服务需求,并对相关技术实现及未来网络检索服务发展趋势进行了研究讨论。

关键词： MEDLINE   DATABASE  

摘要： Motivation: Proteomics researchers need to be able to quickly retrieve relevant information from the web and the biomedical literature. To improve information retrieval, we leverage the structure of the semantic web, developing an approach for joining it with the largely opposing paradigm of unsupervised web search. Results: Our approach uses a Resource-Description-Framework (RDF) graph that inter-relates documents through their associated biological identifiers (e.g., protein ID). A search begins with a simple query term (UniProt identifier), which is expanded with terms extracted from documents in the RDF graph surrounding the query (the subgraph). We re-rank documents in the full corpus (e.g. all PubMed) by their cosine-similarity scores against a composite word-weight vector created from the subgraph. This vector is a weighted sum of individual word-weight vectors for documents at each node of the subgraph, taking into account the types of relationships between the central query identifier and the nodes connected to it. The computation also uses inverse document frequency (IDF) in a novel way to rescale the local word frequencies in the querys subgraph relative to that in other subgraphs. Applying our procedure to PubMed, we optimize weights for various relationships in the subgraph and benchmark overall performance in detail. Using a subgraph containing family relationships (from PFAM) results in a significant improvement in accuracy (as compared to not considering the subgraph in the search) when assessed against known relationships in the yeast literature. Moreover, we achieve this accuracy using only relatively simple and computationally efficient methods. Contact: ***@*** Supplementary information: http://***/ir-supp/.