| 基于 Google 搜索路径的课程信息垂直搜索引擎 |
|
文章出处：lw-cn.cn 作者：佚名 2008-6-22 0:48:08 浏览：  |
|
论文中国网将坚持免费到底，每日为您更新更多与《基于 Google 搜索路径的课程信息垂直搜索引擎》一样优秀的免费精品文章，请随时关注论文中国！ |
|
基于 Google 搜索路径的课程信息垂直搜索引擎
计算机网络论文
【摘要】课程信息垂直搜索引擎，即在课程信息这个特定的领域里，让用户能搜索到最精准
最全面的结果。本文利用 Google 发现“学校-学院-教师-课程”路径，利用 HTMLParser 进行
基于 WEB 页面结构的课程元数据信息抽取。为了做到信息的最准确，为每个学校的每个学 院都编写了包装器 (解析页面并将得到的元数据内容的抽取器)。在精确的课程领域元数据 信息支持下，本搜索引擎支持简单检索、元数据高级检索、导航等综合的检索功能。 关键词：垂直搜索；搜索路径；元数据抽取；包装器
1．引言
随着因特网（Internet）和万维网（World Wide Web）技术的发展，全球共享学习资料和 知识使得传统意义上的教育向远程教育和自主学习转变，这就需要提供对学习资源的全球共 享和在线访问，需要为资源的拥有者提供学习资料发布和共享的支持，需要为学习者提供获 取知识的有效手段。
但是，由于因特网具有较大的自由性，教课老师可以按照任意形式在因特网上发布其与 课程有关的信息；没有固定、标准的信息发布格式，且信息发布主要注重视觉效果，缺少语 义信息；信息源变化频繁，信息源的和产生没有规律性。因此，如何在海量的、多变的、缺 乏固定格式的因特网学习资源中查找需要的课程信息，并将这些信息快速而准确地抽取出 来、进行有效的整合并提供高质量的服务，具有重大的科研价值和现实意义。
课程信息垂直搜索引擎，通过对课程网页的元数据信息进行自动提取和结构化的组织， 使用户通过关键字搜索能得到最全面最精准的学习资源，为高校教师、学生等教育领域用户 提供更好的服务。
目前国外比较成功的垂直搜索引擎包括：专门提供法律信息的 LawCrawler (www.lawcrawler.com)；专门提供家居信息检索服务 BuildingOnline(www.buildingonline.com) 等等。国内比较出名并且得到用户认可的垂直搜索引擎包括：生活信息搜索引擎酷讯 (www.kooxoo.com)，面向商业的天网商搜(sunsou.tianwang.com)，电视精品节目搜索平台 TV 猫(www.tvmao.com)以及面向餐饮的咕嘟妈咪(www.gudumami.cn)等等。
构建垂直搜索引擎，“爬虫”(spiders)是不可缺少的部分。目前，为了获得特定领域内的 相关信息，有两种流行的方法来确保爬虫抓取内容的相关性和质量：1. 让爬虫只抓取特定 的网域的内容。例如，在丰田汽车公司的网站 www.toyota.com 中抓取到的信息必定是和汽 车相关的；2. 根据领域的特定需要来过滤抓取到的内容。例如，编写一个程序来过滤数量 关键字没有达到一定数量的网页。
目前有三种爬虫能分析基于内容/基于链接的网页，并把对这些网页的分析与图搜索算 法相结合。1. 广度优先搜索的爬虫(breadth-first search spider) [1]，按照图遍历算法 BFS 来工 作。由于最重要的页面往往含有指向其他页面的大量链接，breadth-first search spider 在有效 组织的网站中有很高的抓取效率和准确率。2. 页面权重爬虫，结合了基于链接的分析与基
于遍历的算法，采用了 Junhoo Cho 和他的实验室成员发明的算法[2]。3. Hopfield Net Spider，
将 Web 看作为一个加权单层神经网络，然后利用包含激活扩散算法的爬虫来完成信息发现 和检索的工作[3,4]。
命名实体识别（Named Entity Recognition，NE）作为信息抽取中的子任务，其主要目的 是从文本中检测出专有名词并进行分类，如人名、地名、公司名、日期等。很多知名研究机 构都致力这方面的研究，多个国际会议也举办了命名实体识别的评测活动，如 MUC[5]、 CoNLL[6]、ACE[7]、SIGHAN[8]等。
就本文而言，实体“课程”包括以下属性：课程名称、学院、学校、教师、教师主页 URL， 课程链接以及课程简介。本文的 NE 识别方法为基于 WEB 页面结构分析的包装器。
本文介绍了构建课程信息垂直搜索引擎的基本理论和实用方法。先利用 Google 按照“学
校-学院-教师-课程”发现搜索路径，然后利用 HTMLParser 编写包装器进行基于 WEB 页面结 构分析的课程元数据信息抽取。
第 2 节介绍了本文的总体思路与核心算法，重点介绍了抓取网页的基类，并以卡耐基-
梅隆大学的生态环境研究学院为例，具体叙述了专门为该学院编写的包装器。
第 3 节评测了算法的查全率，查准率和 F-度量，分析了本文算法的性能。 第 4 节简单介绍了本文涉及的实现技术。
最后，对本文的性能和扩展做了小结，指出了针对本文改进和发展的方向。
2.1 利用 Google 发现搜索路径
课程的自然组织形式为从大学、学院、教师再到课程或者从大学、学院直接到课程。因 此，本文利用 Google AJAX Search API 以及 Google 的高级搜索语法按以下两种顺序之一来 发现课程信息：
(1) 学校→学院→教师→课程
(2) 学校→学院→课程
2.1.1 Google API 和高级搜索语法
如图 1 所示，为本文设计的基于 Google 的路径发现页面有两个输入框，keyword 和 site。
用户分别输入关键字后，利用 Google AJAX Search API ，将 site 的 值 提交给 GwebSearch.setSiteRestriction，将 keyword 的值提交给 GwebSearch.execute，得到 Google 返 回的搜索结果。由于本文只需要搜索路径，因此只显示和保存 URL 地址(result.unescapedUrl)， 通过 XMLHTTPRequest 发送给服务器，在服务器端保存需要的 URL 地址。
Google 的 高级搜索语 法 [9]“inurl:someKeyword” ， 表 示只搜 索 URL 地址中含 有
“someKeyword”的页面。“-filetype:someType ”，表示过滤文件类型为“someType”的结果。
“intitle:someKeyword”， 表示只搜索页面标题中含有“someKeyword”的页面。“key1 OR key2”
表示搜索包含关键字“key1”或者“key2”的结果。
图 1 基于 Google API 的页面
Fig1 Page base on Google API
|
|
|
| 上一篇论文： ASP+ACCESS 网上商品超市系统[源代码+毕业论文]毕业设计 |
下一篇论文： 没有了 |
| 【收藏本文】【打印】【关闭】 |
|
