搜索引擎-----浅说查重

         

     现在网络上重复的信息很多,用户敲入一个关键字进行搜索时,总会出来很多重复或者很相似的网页,这是搜索引擎不愿意看到的,也是用户不愿意看到的。那么,我们就需要对搜索出来的网页进行查重,然后去掉重复的网页,返回给用户的结果集里重复信息尽量少点!我们暂时只关心网页的内容,文字信息,忽略图片视频等多媒体信息,即是基于内容的查重研究,当然我仅仅是出于兴趣爱好,可能认识也比较浅,毕竟我水平也有限,记此文完全是心血来潮,自娱自乐,或许会碰见高人指点呢...

    就省掉前戏了,直奔主题,虽然前戏很重要!不解释...

    几乎所有去重技术都基于这个核心思想:为每个文档计算一组指纹,若2个文档有一定数量的相同指纹,那么我们认为这2个文档的内容重叠性很高,可以认为二者是内容转载的。

     目前有很多去重方法,基于词频的,基于特征码的,基于标点符号的,基于内容的,基于摘要的等等。

    下面2种办法都用到了分词,也可以说是基于分词的查重方法。

    我之前用过基于词频的方法做过一些实验【基于词频的方法描述:2篇文档如果相似度很高,那么他们的词频,即文档中的词在全文出现的频率相差应该也不大,曾有人用这种统计学的方法证明了红楼梦前80回和后40回不是出自同一个作家,因为每个作家的用词习惯不同,描述一个事物的时候,也许不同的作家描述的方式不一样,看问题的角度不一样】 ,用这种方法效率还是蛮高的,实现起来也比较简单,对文档分词,然后统计词频,然后做比较。只是对于短小的文章它经常误判。把明明几乎重复的文档化为不同。所以这种方法欠稳定。

    后来我借鉴一本书名为《数学之美》的一种方法,下面是在线阅读网址:www.bookfm.com/book/bookdetail.html 《数学之美和浪潮之巅》 吴军

 

 

     谷歌新闻分类的方法,它运用了tf-idf的概念,这种方法我们姑且称之为,余弦定理及其tf-idf去重法。tf代表每个词的在文档中出现的频率,idf用log10 (D/Dw)求得,D代表文档库中所有的文档数,某词在Dw个文档中出现过。这种方法考虑了词的权重,文档中不是每个词都是很重要的,一个词在文档库中出现的次数越多,它越不重要,idf值越小,我们忽略idf很小的值,因为这次词在几乎所有的文档中都出现过,它们就显得不是很重要。然后,就用tf/idf作为那个向量的特征值,至于向量的长度由文档词库数决定,过滤掉那些权重较小的词。然后用余弦定理得到这2个向量的夹角,夹角为0说明这2篇文档重复,夹角越小说明这2篇文档相似度越高。我做过实验,当然这种方法效果很好,准确度高,实现也不是很麻烦,但是效率很低,要计算词频,要计算每个词在多少个文档中出想过,还得统计出所有的词,对每个文档都得做分词处理。所以在实践中这种方法不现实。代价太大了。也许对文档进行分词本身就不是一个好的方法,而且中文分词问题很多。分词本来就是一个难题。当然也许我们可以随机选取一些词,不一定要对每个词都做处理。

 

    我想最理想的去重方法应该是:我们能用某种手段判断2篇文档的主旨,如果主旨一样,那么就可以判断它们是内容转载的,但我们如何教计算机分析一篇文章的主旨呢?计算机能用计算的方法(计算机最擅长计算)得到一篇文章的主旨么?我记得我高中语文做阅读理解题总是很差,我们语文老师教我们如何分析文章主旨,我现在怀疑到底有没有有效的方法得到文章主旨(文章每段最后一句?最后一段?)?反正高考语文就刚好及格而已! 计算机能做到么?

 

  

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值