信息檢索系統(tǒng)方案

1、2 0 5 5信息檢索系統(tǒng)方案目錄二系統(tǒng)設(shè)計 2.1技術(shù)原理2.2系統(tǒng)構(gòu)架三系統(tǒng)功能3.1信息采集3.2中文自然語言處理3.3全文檢索功能.3.4格式文件檢索.3.5性能指標(biāo)一項目意義隨著互聯(lián)網(wǎng)的快速發(fā)展，每天有數(shù)千萬條信息生成，包括文字信息、圖片信息、視頻信息、語音信息等，通過百度、谷歌等大型商業(yè)搜索引擎可以找到自己想要的信息，但是也存在很多弊端。百度、谷歌等大型商業(yè)搜索引擎的搜索原理是基于網(wǎng)絡(luò)爬蟲（Spider）在世界各地百萬臺服務(wù)器上爬取網(wǎng)頁數(shù)據(jù)，然后存儲到數(shù)據(jù)庫之后展現(xiàn)給查詢用戶,隨著網(wǎng)站數(shù)量以及網(wǎng)絡(luò)上信息更新的快速化，這些網(wǎng)絡(luò)爬蟲不能保證把所有的信息都抓到，尤其是特殊行業(yè)的行業(yè)信息，

2、即便是抓到了也不一定能夠在眾多數(shù)據(jù)中展現(xiàn)出來。所以，對于一個部門來講，有必要存在一款互聯(lián)網(wǎng)信息檢索系統(tǒng)來檢索某一個行業(yè)的信息，每天自動在各大行業(yè)網(wǎng)站、政府網(wǎng)站等數(shù)據(jù)庫中檢索最新信息，通過自建的網(wǎng)絡(luò)爬蟲進(jìn)行目標(biāo)數(shù)據(jù)的抓取、存貯、歸類、展現(xiàn)。通過自己的信息檢索系統(tǒng)，可以讓自己部門每天輕松地獲得世界各地、各個部門都發(fā)生了什么，有哪些新的政策，方便管理層在最新的信息數(shù)據(jù)下快速做出正確的決定。據(jù)統(tǒng)計，內(nèi)部網(wǎng)上的信息每年以 200%勺速度增長，其中發(fā)布到互聯(lián)網(wǎng)上的信息只占到信息量的1%-2%而98%以上的信息是發(fā)布在內(nèi)部網(wǎng)上的。內(nèi)部網(wǎng)上的信息既有網(wǎng)頁形式的，也包含其他 Word PDF XML等多種格式的

3、數(shù)據(jù)。因此，面對內(nèi)部網(wǎng)中海量異構(gòu)的信息資源，如何幫助用戶快速找到他們所需要的信息是一個 主要的技術(shù)挑戰(zhàn)。搜索引擎能幫助用戶方便、快捷、安全地獲取內(nèi)部網(wǎng)上的信息，在滿足高效的同時，更重要的是保證了較高的查全率和查準(zhǔn)率，能提供智能化的概念擴展搜 索，極大的提高工作效率。內(nèi)部網(wǎng)搜索引擎將組織中分散管理的信息整合在一 起，在組織層面上實現(xiàn)新的增值與共享，從而有效實現(xiàn)組織內(nèi)容利用的最優(yōu)目 標(biāo)。搜索引擎的目標(biāo)是實現(xiàn)內(nèi)部網(wǎng)全文檢索。系統(tǒng)可對實施了內(nèi)部網(wǎng)站資源進(jìn)行爬行，無論內(nèi)部網(wǎng)上的數(shù)據(jù)源在何地、以何種形式存在，都能夠?qū)ζ淇焖俚卦L 問，通過準(zhǔn)確的分詞建立索引，從而實現(xiàn)高質(zhì)量的搜索查詢。搜索引擎的主要目 標(biāo)包括

4、：1）較高的查準(zhǔn)率。搜索系統(tǒng)支持按詞索引、按字索引，同時實現(xiàn)中文自動分詞。2）較高的查全率。搜索系統(tǒng)可搜索各類異構(gòu)的信息資源，包括傳統(tǒng)的網(wǎng)頁信息、Word PDF XML等不同格式的文檔以及各類主流數(shù)據(jù)庫的表中記錄。3）智能化的檢索結(jié)果排序。安全搜索系統(tǒng)應(yīng)采用相關(guān)度分析技術(shù)，將用戶需要的信息排在結(jié)果列表的前面，屏蔽無用和錯誤的信息。二系統(tǒng)設(shè)計2.1技術(shù)原理HX-2055互聯(lián)網(wǎng)信息檢索系統(tǒng)（以下簡稱 HX-2055）是針對特殊行業(yè)、政府部門、計，決策部門設(shè)計的一款高效率互聯(lián)網(wǎng)信息檢索系統(tǒng)，采用國際一流程序算法設(shè) 系統(tǒng)構(gòu)架與谷歌和百度的搜索引擎擁有共同的技術(shù)特點，能夠保證系統(tǒng)對實時信息的快速采集、

5、歸類、展現(xiàn)。在當(dāng)今信息爆炸的時代，每個單位或個人都在為信息的快速增長做出了各種貢獻(xiàn)。信息的種類也在不斷的擴展，越來越多的非結(jié)構(gòu)化信息不斷出現(xiàn)，包括企業(yè)的各種報表、帳單、電子文檔、網(wǎng)站的各種元素、圖片、傳真、掃描影像，以及大量的多媒體的音頻、視頻信息等等。所有的存儲數(shù)據(jù)中，有85%采用的是非結(jié)構(gòu)化格式的，非結(jié)構(gòu)化信息每三個月增長一倍。由于信息格式的差異很大，所以基本無法整合為統(tǒng)一的接口供政府工作人員或廣大群眾方便使用。全文檢索是計算機程序通過掃描文章中的每一個詞，對每一個詞建立一個索引，指明該詞在文章中出現(xiàn)的次數(shù)和位置，當(dāng)用戶查詢時根據(jù)建立的索引查找，類似于通過字典的檢索字表查字的過程。全文檢索

6、系統(tǒng)是按照全文檢索理論建立起來的用于提供全文檢索服務(wù)的軟件系統(tǒng)。全文檢索系統(tǒng)的核心則具有建立索引、處理查詢返回結(jié)果集、增加索引、優(yōu)化索引結(jié)構(gòu)等功能。 HX-2055 全文檢索系統(tǒng)的主要目標(biāo)是實現(xiàn)文本索引的快速構(gòu)建 (IndexConstruction) ，動態(tài)文檔集的索引維護 (IndexMaintenance) ，短語查詢 (PhraseQuery),Top-K 查詢的快速處理 (Top-kQueryProcess) 以及各種檢索模型(IRModel)等。高性能和靈活的架構(gòu)也使 HX-2055全文檢索系統(tǒng)可以應(yīng)用在內(nèi)外網(wǎng)檢索、專業(yè)系統(tǒng)資料檢索、行業(yè)專業(yè)數(shù)據(jù)庫檢索。圖 1.HX-2055 系統(tǒng)

7、原理HX-2055 可以實現(xiàn)對內(nèi)部網(wǎng)絡(luò)和外部網(wǎng)絡(luò)的信息抓取、歸類、展現(xiàn)。對于外部網(wǎng)絡(luò)，HX-2055 采用網(wǎng)絡(luò)爬蟲定時對各大行業(yè)網(wǎng)站、政府部門網(wǎng)站進(jìn)行數(shù)據(jù)爬取，通過對海 量數(shù)據(jù)的挖掘可以建立龐大的外網(wǎng)數(shù)據(jù)庫，通過一流的數(shù)據(jù)整理算法，簡單、快捷、 方便的展示給使用者。HX-2055也可以對內(nèi)部網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)的挖掘、分析、整理、展現(xiàn)。HX-2055通過基于局域網(wǎng)的網(wǎng)絡(luò)爬蟲算法，可以對政府、行業(yè)內(nèi)部網(wǎng)站、單位內(nèi)部服務(wù)器資源等數(shù)據(jù)源進(jìn) 行數(shù)據(jù)的抓取，包括內(nèi)部網(wǎng)絡(luò)的新政策、新聞通知、日常文檔、文件資料等。HX-2055搜索引擎的系統(tǒng)體系架構(gòu)如圖所示：內(nèi)部網(wǎng)用戶搜索請求返回結(jié)果用戶提交搜索、安全過濾數(shù)據(jù)源注

8、冊、資源描述、策略描述數(shù)據(jù)庫T爬行控制搜索結(jié)果排序kIt±爬 行 器/z7/圖2HX-2055內(nèi)部網(wǎng)絡(luò)搜索系結(jié)構(gòu)圖郵件系統(tǒng) 數(shù)據(jù)源n數(shù)據(jù)庫數(shù)據(jù)源2索 引 庫內(nèi)部數(shù)據(jù)庫產(chǎn)*1索引模塊文件系統(tǒng) 數(shù)據(jù)源3! Zi內(nèi)部網(wǎng)站! 數(shù)據(jù)源1引擎實現(xiàn)了下列主要功能:(1)爬行器：爬行器根據(jù)資源描述信息對內(nèi)部網(wǎng)中各種異構(gòu)的資源信息進(jìn)行爬行，獲取所有能夠獲得的資源信息，資源信息的格式應(yīng)包括:Web 網(wǎng)頁、WordPDFExcel、PPT等格式的辦公文檔、各類主流數(shù)據(jù)庫的表中記錄。索引器：通過中文分詞技術(shù)，對爬行到的資源信息進(jìn)行解析，建立索引文件。(3)搜索：用戶提交其搜索條件，搜索條件經(jīng)過特定處理后，在

9、索引文件中檢索出所有滿足搜索條件的資源。2.2系統(tǒng)構(gòu)架全文檢索系統(tǒng)統(tǒng)一搜索平臺的總體架構(gòu)采用三層(數(shù)據(jù)層、應(yīng)用層和表現(xiàn)層)可擴展的設(shè)計，使整個系統(tǒng)不受硬件平臺的限制，具有良好的擴展性和可管理性。三系統(tǒng)功能3.1信息采集1、采用多線程并發(fā)搜索技術(shù)。2、提供多種采集范圍控制方式，包括在指定網(wǎng)站內(nèi)，在指定域內(nèi)，以及在指定IP地址范圍等方式。3、可以設(shè)置多種網(wǎng)站采集控制方式，包括采集的網(wǎng)頁大小、超時限制等。4、提供高效更新功能，對于已經(jīng)采集過的網(wǎng)站，更新時只采集發(fā)生變化和新加 入的資源。5、可以靈活設(shè)定采集結(jié)果的存儲方式，具有開放性。3.2 中文自然語言處理1 、內(nèi)嵌自動分詞系統(tǒng)，有效提高了分詞準(zhǔn)確性

10、。2、在應(yīng)用層上，提供自動分類和摘要功能；3、支持按詞索引、按字索引、按關(guān)鍵詞索引，適應(yīng)不同應(yīng)用環(huán)境的需求；4、內(nèi)嵌相似性檢索技術(shù)，提供文章的相似性檢索和聚類功能。3.3 全文檢索功能1、支持 WebBrowser/WebServer 檢索方式；2、智能中文分詞：采用先進(jìn)的自動分詞系統(tǒng)，根據(jù)大量的語料統(tǒng)計和分析，建立了上萬條的歧義排除規(guī)則，因此檢索 “華人”不會把僅僅包含 “中華人民共和國 ”的文 章檢索出來。3、支持結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的混合檢索；4、允許使用文中的任意字、詞、句和片段進(jìn)行檢索；5、全方位檢索手段：與、或、非、異或；6、對數(shù)值、日期等特征字段可以進(jìn)行比較和范圍檢索；7、支

11、持任意一致的通配符檢索 （模糊檢索 ）；8、支持多網(wǎng)站的全文檢索9、具備中文自動分詞系統(tǒng)，能有效提高分詞準(zhǔn)確性10、采用智能中文分詞技術(shù)，建立高效索引庫11、支持實時索引（ 1分鐘內(nèi)）50個以上12、支持增量式實時索引13、多線程設(shè)計，支持大量并發(fā)用戶訪問，每秒并發(fā)達(dá)到14、支持在結(jié)果中查詢15、支持 GBK、BIG5、UTF8、GB18030等編碼，采用 UTF8編碼方式實現(xiàn)多語言 和多文種內(nèi)容的檢索及展現(xiàn)。16、支持中文、英文和中英文混合檢索17、多樣化排序，包括按抓取時間排序、按相關(guān)性排序18、多種條件組合檢索：包括標(biāo)題、正文以及日期范圍檢索19、支持關(guān)鍵詞邏輯表達(dá)式組合檢索20、檢索結(jié)果支持基于查詢關(guān)鍵詞的動態(tài)摘要21、支持檢索關(guān)鍵詞的高亮顯示22、將所檢索到的信息可按設(shè)定的模版顯示23、檢索結(jié)果模板自定義如：如文章標(biāo)題、文章欄目、簡介、作者、點擊率、時間以及文章類別等24、支持根據(jù)自動分類的類目進(jìn)行檢索25、采用 KNN 、SVM 為基礎(chǔ)的相關(guān)性算法3.4格式文件檢索支持 MSOFFICE,PDF,HTML, 可以對 .pdf;.rtf;.doc;.xls;.ppt;