《高级Web技术》参考资料：2-Web上的数据标准-XML_XML基础—概述与语法

HTML的局限性 ■搜索引擎简介 分类 目录式搜索引擎:早期的 Yahoo ■全文搜索引擎: Google及百度等第二代商用搜索引擎 元搜索引擎: Web Crawler 文件)牺①)查看C)收震工具⑦)帮助cD ⊙回☆收来创,国,回题图B不 M囝转 WebCrawler ageswhite Featured searche Otner Resources a gs tormes o Add webcrawler to Your Site o when to plant a how to videos e WebCrawler Toolbar

HTML的局限性 „ 搜索引擎简介 „ 分类 „ 目录式搜索引擎：早期的Yahoo „ 全文搜索引擎：Google及百度等第二代商用搜索引擎 „ 元搜索引擎：WebCrawler

HTML的局限性 ■搜索引擎简介 搜索引擎的体系结构 下载系统:网络蜘蛛( Spider),广度,深度优先 分析系统:分词, PageRank 索引系统:正排索引;倒排索引 查询系统:检索模型 下载系统 分析系统 网页库 索引系统 提交查询 查询系统 索引库 返回查询结果 Client

HTML的局限性 „ 搜索引擎简介 „ 搜索引擎的体系结构 „ 下载系统：网络蜘蛛(p ) S ider)，广度，深度优先 „ 分析系统：分词，PageRank „ 索引系统：正排索引；倒排索引 „ 查询系统：检索模型

HTML的局限性 搜索引擎简介 分词 基于字符串匹配 基于理解 基于统计 PageRank PR(A)=(1-d)+d(Pr(t1)C(t1)+.+ PR (Tn)/C(Tn)) aPR(A):网页A的 PageRank值; nT1,T2,…,Tn:网页A的链入网页; aPR(Ti):网页Ti的 PageRank值(i1,2,…n); ac(Ti):网页Ti的链出网页的数量(i=1,2,…n) d:一个衰减因子,0<d<1,通常取值为0.85

HTML的局限性 „ 搜索引擎简介 „ 分词 „ 基于字符串匹配 „ 基于理解 „ 基于统计 „ PageRank PR (A ) = (1- d) + d (PR (T1)/C (T1) + ڮڮ +PR (Tn)/C (Tn) ) „ PR (A ) ：网页A 的PageRank 值； „ T1, , T2 ڮ ,Tn ：网页A 的链入网页； „ PR (T i) ：网页T i 的PageRank 值( i= 1, 2, ڮn) ； „ C (T i) ：网页T i 的链出网页的数量( i= 1, 2, ڮn) ； „ d ：一个衰减因子, 0< d< 1, 通常取值为0. 85

HTML的局限性 ■搜索引擎简介哪 索引系统 hithithit hit-. its hit hithit- ts hithithit hit 正排索引 cel0[ dIDn hite hit下tht“ ordID n hits: hit hithit hit Plain Hite: Positi∞n12 Fancy Hits: Type: 4Position:B Anchor)Hits: Cap :4[脚:4Pit∞4 倒排索引 倒排福索引 wordID n docID docID n hits hithit hits sordID n doc ID docID n hit hit hit hit hit sordID n doc l0 dociD n hits hit hit… deeD n hits hithithit hit

HTML的局限性 „ 搜索引擎简介 „ 索引系统 „ 正排索引 „ 倒排索引

HTML的局限性 ■搜索引擎简介 用户输入 查询系统 倒排表检索 交档列表求交 向量化 ■搜索引擎的评价标准 向量相似度 查全率(Reca) 排序输出 查准率( Precision) recall-number of retrieved relevant documents total number of relevant documents number of retrieved relevant documents precision= total number of retrieved documents

HTML的局限性 „ 搜索引擎简介 „ 查询系统 „ 搜索引擎的评价标准 „ 查全率（Recall） „ 查准率（Precision）