元搜索引擎的工作原理是什么?
来源:学生作业帮助网 编辑:作业帮 时间:2024/08/29 09:55:19
元搜索引擎的工作原理是什么?
元搜索引擎的工作原理是什么?
元搜索引擎的工作原理是什么?
按照信息搜集方法和服务提供方式的不同,搜索引擎系统可以分为三大类:
1.目录式搜索引擎:以人工方式或半自动方式搜集信息,由编辑员查看信息之后,人工形成信息摘要,并将信息置于事先确定的分类框架中.信息大多面向网站,提供目录浏览服务和直接检索服务.该类搜索引擎因为加入了人的智能,所以信息准确、导航质量高,缺点是需要人工介入、维护量大、信息量少、信息更新不及时.这类搜索引擎的代表是:Yahoo、LookSmart、Open Directory、Go Guide等.
2.机器人搜索引擎:由一个称为蜘蛛(Spider)的机器人程序以某种策略自动地在互联网中搜集和发现信息,由索引器为搜集到的信息建立索引,由检索器根据用户的查询输入检索索引库,并将查询结果返回给用户.服务方式是面向网页的全文检索服务.该类搜索引擎的优点是信息量大、更新及时、毋需人工干预,缺点是返回信息过多,有很多无关信息,用户必须从结果中进行筛选.这类搜索引擎的代表是:AltaVista、Northern Light、Excite、Infoseek、Inktomi、FAST、Lycos、Google;国内代表为:"天网"、悠游、OpenFind等.
3.元搜索引擎:这类搜索引擎没有自己的数据,而是将用户的查询请求同时向多个搜索引擎递交,将返回的结果进行重复排除、重新排序等处理后,作为自己的结果返回给用户.服务方式为面向网页的全文检索.这类搜索引擎的优点是返回结果的信息量更大、更全,缺点是不能够充分使用所使用搜索引擎的功能,用户需要做更多的筛选.这类搜索引擎的代表是WebCrawler、InfoMarket等.
……
主 要 技 术
一个搜索引擎由搜索器、索引器、检索器和用户接口等四个部分组成.
1.搜索器
搜索器的功能是在互联网中漫游,发现和搜集信息.它常常是一个计算机程序,日夜不停地运行.它要尽可能多、尽可能快地搜集各种类型的新信息,同时因为互联网上的信息更新很快,所以还要定期更新已经搜集过的旧信息,以避免死连接和无效连接.目前有两种搜集信息的策略:
● 从一个起始URL集合开始,顺着这些URL中的超链(Hyperlink),以宽度优先、深度优先或启发式方式循环地在互联网中发现信息.这些起始URL可以是任意的URL,但常常是一些非常流行、包含很多链接的站点(如Yahoo!).
● 将Web空间按照域名、IP地址或国家域名划分,每个搜索器负责一个子空间的穷尽搜索.
搜索器搜集的信息类型多种多样,包括HTML、XML、Newsgroup文章、FTP文件、字处理文档、多媒体信息.
搜索器的实现常常用分布式、并行计算技术,以提高信息发现和更新的速度.商业搜索引擎的信息发现可以达到每天几百万网页.
2.索引器
索引器的功能是理解搜索器所搜索的信息,从中抽取出索引项,用于表示文档以及生成文档库的索引表.
索引项有客观索引项和内容索引项两种:客观项与文档的语意内容无关,如作者名、URL、更新时间、编码、长度、链接流行度(Link Popularity)等等;内容索引项是用来反映文档内容的,如关键词及其权重、短语、单字等等.内容索引项可以分为单索引项和多索引项(或称短语索引项)两种.单索引项对于英文来讲是英语单词,比较容易提取,因为单词之间有天然的分隔符(空格);对于中文等连续书写的语言,必须进行词语的切分.
在搜索引擎中,一般要给单索引项赋与一个权值,以表示该索引项对文档的区分度,同时用来计算查询结果的相关度.使用的方法一般有统计法、信息论法和概率法.短语索引项的提取方法有统计法、概率法和语言学法.
索引表一般使用某种形式的倒排表(Inversion List),即由索引项查找相应的文档.索引表也可能要记录索引项在文档中出现的位置,以便检索器计算索引项之间的相邻或接近关系(proximity).
索引器可以使用集中式索引算法或分布式索引算法.当数据量很大时,必须实现即时索引(Instant Indexing),否则不能够跟上信息量急剧增加的速度.索引算法对索引器的性能(如大规模峰值查询时的响应速度)有很大的影响.一个搜索引擎的有效性在很大程度上取决于索引的质量.
3.检索器
检索器的功能是根据用户的查询在索引库中快速检出文档,进行文档与查询的相关度评价,对将要输出的结果进行排序,并实现某种用户相关性反馈机制.
检索器常用的信息检索模型有集合理论模型、代数模型、概率模型和混合模型四种.
4.用户接口
用户接口的作用是输入用户查询、显示查询结果、提供用户相关性反馈机制.主要的目的是方便用户使用搜索引擎,高效率、多方式地从搜索引擎中得到有效、及时的信息.用户接口的设计和实现使用人机交互的理论和方法,以充分适应人类的思维习惯.用户输入接口可以分为简单接口和复杂接口两种.
简单接口只提供用户输入查询串的文本框;复杂接口可以让用户对查询进行限制,如逻辑运算(与、或、非;+、-)、相近关系(相邻、NEAR)、域名范围(如.edu、.com)、出现位置(如标题、内容)、信息时间、长度等等.目前一些公司和机构正在考虑制定查询选项的标准.