《信息檢索系統(tǒng)》方案設(shè)計(jì)

經(jīng)典word整理文檔，僅參考，雙擊此處可刪除頁(yè)眉頁(yè)腳。本資料屬于網(wǎng)絡(luò)整理，如有侵權(quán)，請(qǐng)聯(lián)系刪除，謝謝！實(shí)用文檔實(shí)用文檔一2二335三66673.483.58實(shí)用文檔一項(xiàng)目意義片信息、視頻信息、語(yǔ)音信息等，通過(guò)、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。、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）互聯(lián)網(wǎng)信息檢索系統(tǒng)來(lái)檢索某一個(gè)行業(yè)的信息，每天自動(dòng)在各大行業(yè)網(wǎng)站、取、存貯、歸類、展現(xiàn)。通過(guò)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、快速做出正確的決定。據(jù)統(tǒng)計(jì)，內(nèi)部網(wǎng)上的信息每年以200%的速度增長(zhǎng)，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(yè)形式的，也包含其他Word、PDF、XML等多種格式他們所需要的信息是一個(gè)主要的技術(shù)挑戰(zhàn)。利用的最優(yōu)目標(biāo)。擎的主要目標(biāo)包括：實(shí)用文檔（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(shí)實(shí)現(xiàn)中文自動(dòng)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(yè)信息、Word、PDF、XML等不同格式的文檔以及各類主流數(shù)據(jù)庫(kù)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(wú)用和錯(cuò)誤的信息。二系統(tǒng)設(shè)計(jì)2.1技術(shù)原理HX-2055互聯(lián)網(wǎng)信息檢索系統(tǒng)（以下簡(jiǎn)稱HX-2055）是針對(duì)特殊行業(yè)、夠保證系統(tǒng)對(duì)實(shí)時(shí)信息的快速采集、歸類、展現(xiàn)。包括企業(yè)的各種報(bào)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(chǔ)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(gè)月增長(zhǎng)一倍。由于信息眾方便使用。引查找，類似于通過(guò)字典的檢索字表查字的過(guò)程。全文檢索系統(tǒng)是按照全文檢索理論建立起來(lái)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(shí)現(xiàn)文本索引的快速構(gòu)建(IndexConstruction)(IndexMaintenance)，短語(yǔ)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)也實(shí)用文檔使HX-2055專業(yè)數(shù)據(jù)庫(kù)檢索。圖HX-2055可以實(shí)現(xiàn)對(duì)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(duì)于外部網(wǎng)絡(luò)，HX-2055采用網(wǎng)絡(luò)爬蟲定時(shí)對(duì)各大行業(yè)網(wǎng)站、政府部門網(wǎng)站進(jìn)行數(shù)據(jù)爬法，簡(jiǎn)單、快捷、方便的展示給使用者。HX-2055也可以對(duì)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。實(shí)用文檔HX-2055搜索引擎的系統(tǒng)體系架構(gòu)如圖所示:內(nèi)部網(wǎng)用戶數(shù)據(jù)123n內(nèi)部數(shù)據(jù)圖2引擎實(shí)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(duì)內(nèi)部網(wǎng)中各種異構(gòu)的資源信息進(jìn)Web網(wǎng)頁(yè)、Word、PDF、Excel、PPT等格式的辦公文檔、各類主流數(shù)據(jù)庫(kù)的表中記錄。（2）索引器：通過(guò)中文分詞技術(shù)，對(duì)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(guò)特定處理后，在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)架實(shí)用文檔三系統(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(yè)大小、超時(shí)限制等。4、提供高效更新功能，對(duì)于已經(jīng)采集過(guò)的網(wǎng)站，更新時(shí)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(chǔ)方式，具有開放性。3.2中文自然語(yǔ)言處理1、內(nèi)嵌自動(dòng)分詞系統(tǒng)，有效提高了分詞準(zhǔn)確性。2、在應(yīng)用層上，提供自動(dòng)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；實(shí)用文檔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建立了上萬(wàn)條的歧義排除規(guī)則，因此檢索“華人”不會(huì)把僅僅包含“中華人民共和國(guó)”的文章檢索出來(lái)。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(duì)數(shù)值、日期等特征字段可以進(jìn)行比較和范圍檢索；7、支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(dòng)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(kù)11、支持實(shí)時(shí)索引（1分鐘內(nèi)）12、支持增量式實(shí)時(shí)索引13、多線程設(shè)計(jì)，支持大量并發(fā)用戶訪問(wèn)，每秒并發(fā)達(dá)到50個(gè)以上14、支持在結(jié)果中查詢15、支持GBKBIG5UTF8GB18030等編碼，采用UTF8編碼方式實(shí)現(xiàn)多語(yǔ)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(shí)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(dòng)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(jiǎn)介、、點(diǎn)擊率、實(shí)用文檔時(shí)間以及文章類別等24、支持根據(jù)自動(dòng)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(duì).pdf;.rtf;.doc;.xls;.ppt;.pps;.xml等文件直接進(jìn)行檢索。3.5性能指標(biāo)自動(dòng)分類達(dá)到85%以上準(zhǔn)確率數(shù)據(jù)索引更新時(shí)間