基于教育信息資源的智能搜索引擎設(shè)計(jì)與實(shí)現(xiàn)

宇　盟　傅素英

摘要：首先對智能搜索引擎做了簡要概述．接著提出了一種新的搜索引擎的設(shè)計(jì)思路．并針對獨(dú)立搜索引擎的不足。獨(dú)立搜索引擎與元搜索引擎結(jié)合起來。提高了搜索引擎的精度和效率。

關(guān)鍵詞：智能搜索引擎元搜索引擎

中圖分類號TP311.11文獻(xiàn)標(biāo)識碼B文章編號：1002-2422(2007)03-0037-03

1教育搜索引擎組成與原理

本搜索引擎將傳統(tǒng)專業(yè)搜索引擎和元搜索引擎結(jié)合起來，不僅提高了搜索引擎的覆蓋率，而且采用一種綜合評價(jià)算法，優(yōu)化了搜索結(jié)果的排列次序，同時(shí)根據(jù)各返回頁面的主題內(nèi)容進(jìn)行聚類顯示，方便用戶檢索。該搜索引擎主要包括4個模塊：信息采集模塊、信息挖掘模塊、元搜索引擎模塊和結(jié)果排序、聚類模塊。

1．1信息挖掘模塊

該模塊對搜索器所采集的信息進(jìn)行單漢字標(biāo)引(即全文索引)，主題概念標(biāo)引，摘要自動生成及對網(wǎng)頁重要程度進(jìn)行評價(jià)。單漢字標(biāo)引法將概念詞拆成單漢字，以單漢字為處理單位，利用漢字索引文件實(shí)現(xiàn)自動標(biāo)引和邏輯檢索。由于這種方法把對“詞”的處理改為對“字”的處理，因此就繞過了漢語分詞的難題。主題概念標(biāo)引模塊對采集來的信息進(jìn)行內(nèi)容特征分析，并抽取出能表達(dá)該信息主題的關(guān)鍵詞、關(guān)鍵句，為用戶提供主題概念檢索入口。

1．2元搜索引擎模塊

該模塊將用戶提交的檢索請求到多個獨(dú)立的搜索引擎上去搜索，并將各個檢索結(jié)果與本地檢索相互印證，互相比較，可以進(jìn)一步提高查全率和查準(zhǔn)率。

1．3結(jié)果合并、排序、聚類顯示模塊

搜索引擎對檢索結(jié)果的組織性是提高系統(tǒng)運(yùn)行和性能評價(jià)的關(guān)鍵技術(shù)。近年來一直是國際上搜索引擎界的研究熱點(diǎn)。該模塊完成獨(dú)立搜索引擎與元搜索引擎返回結(jié)果的合并、排序。并對信息進(jìn)行主題概念聚類。搜索結(jié)果以聚類樹和權(quán)重順序兩種形式顯示。

2智能搜索引擎系統(tǒng)中關(guān)鍵技術(shù)的實(shí)現(xiàn)

系統(tǒng)的關(guān)鍵技術(shù)包括資源采集控制、其他獨(dú)立搜索引擎的調(diào)用接口及返回結(jié)果的排序算法。

2．1信息采集控制

信息采集是從一個初始URL集合開始，順著這些URL中的超鏈接，循環(huán)往復(fù)地在互聯(lián)網(wǎng)中發(fā)現(xiàn)信息。我們這個系統(tǒng)是針對教育資源領(lǐng)域的一個專業(yè)搜索引擎，如果任意選擇初始URL集合，則很可能使Robot(采集程序)偏離教育資源這一領(lǐng)域。我們發(fā)現(xiàn)，Google、百度等大型綜合搜索引擎可以為我們指引初始方向：以“教育資源”、“教學(xué)資源”，“教學(xué)課件”等關(guān)鍵詞組進(jìn)行搜索，就可以得到大量超鏈接。這些超鏈接組織成一個質(zhì)量較高的初始URL集合。

網(wǎng)站中不是所有的URL鏈接都是與教育、教學(xué)相關(guān)。如果Robot沿著這些無用鏈接去采集信息，不僅降低了采集效率，而且會收集到大量垃圾信息，如廣告超鏈接。因此，對信息采集進(jìn)行控制。

信息挖掘模塊首先對采集到頁面進(jìn)行主題分析，如果頁面主題與教育相關(guān)，則通過反饋，允許Robot沿著該頁面的URL繼續(xù)采集信息：否則終止在該頁面的采集活動。

2．2其他獨(dú)立搜索引擎的調(diào)用

元搜索引擎要通過程序接口調(diào)用其他多個獨(dú)立搜索引擎，就必須要獲取到這些獨(dú)立搜索引擎的程序接口。要獲得這些程序接口很容易，觀察每個獨(dú)立搜索引擎的地址欄的變化就可以總結(jié)出它們的接口。如用http://www.baidu.com/s?lm=0&si=＆m=10&ie=gb2312&ct=0&wd=電子商務(wù)％Fl&pn=l&cl=3，就可以得到百度有關(guān)“電子商務(wù)”的搜索結(jié)果，其中“pn=l”表示從第一條返回結(jié)果開始顯示。

2．3搜索結(jié)果的排序算法

最終的搜索結(jié)果包括兩部分：本地?cái)?shù)據(jù)的檢索結(jié)果和元搜索引擎模塊獲得的搜索結(jié)果。結(jié)果排序模塊將這兩部分搜索結(jié)果合并到一起，并按每個搜索結(jié)果與用戶提問表達(dá)式的符合程度進(jìn)行排序，最后顯示給用戶。搜索結(jié)果與用戶提問表達(dá)式的復(fù)合程度可以通過計(jì)算它們之間的相似度來衡量。

首先，提取提問表達(dá)式中的主題概念，把抽取出的主題概念表示成向量形式，代表提問式，如，q=(q₁，w₁；q₂，w₂；…q_i；…，q_n，w_n)，q_i表示從提問式抽出的主題概念，w_i表示q_i的權(quán)值，這里默認(rèn)為1；然后，抽取每一個搜索結(jié)果的主題概念，并用這些主題概念形成的向量代表搜索結(jié)果，如d_i=(c₁，w₁；c₂，w₂；…c_i，w_i：…c_n，w_n)：c_i表示從搜索結(jié)果中抽出的主題概念，w_i表示c_i的權(quán)值，可以用TF-IDF計(jì)算得到；最后，用公式1計(jì)算搜索結(jié)果向量與提問式向量之間的相似度，輸出模塊最終以相似度的大小排序輸出公式如下: