面向教育主題的垂直搜索引擎的設(shè)計(jì)與實(shí)現(xiàn)

王樹文1，鄭闊實(shí)2，陳竟博3

（1.吉林省計(jì)算中心，吉林長春 130012；2.中共吉林省委黨校(吉林省行政學(xué)院)，吉林長春 130012；3.吉林大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，吉林長春 130012）

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展和網(wǎng)絡(luò)信息量的爆炸式增長，如何快速、有效、準(zhǔn)確地從海量信息中獲取所需的有價(jià)值的信息，越來越受到人們的關(guān)注。通用搜索引擎在信息采集、存儲(chǔ)等方面都面臨著很大的挑戰(zhàn)。通用搜索引擎試圖返回面向所有用戶的查詢結(jié)果，使得其搜索到的信息量過大、查準(zhǔn)率低、深度不夠，不能滿足針對某一特定領(lǐng)域精確搜索的要求。在這樣的背景下，垂直搜索引擎應(yīng)運(yùn)而生。它是一種與通用搜索引擎截然不同的搜索模式，是專門針對某一領(lǐng)域的專業(yè)搜索引擎。其特點(diǎn)就是專、精、深，具有行業(yè)色彩，是通用搜索引擎的細(xì)分和延伸[1]。

在教育資源數(shù)字化、網(wǎng)絡(luò)化的趨勢下，互聯(lián)網(wǎng)上產(chǎn)生了大量分布廣泛、不同格式的教育資源，專門針對教育領(lǐng)域的數(shù)字化教育資源搜索成為垂直搜索引擎的重要應(yīng)用之一，其可以為人們提供大量有價(jià)值的綠色教育信息，比如數(shù)字圖書搜索、教育視頻搜索、考試信息搜索、名師介紹搜索等。本文設(shè)計(jì)的面向教育領(lǐng)域的垂直搜索引擎系統(tǒng)在通用搜索引擎的技術(shù)基礎(chǔ)上，采用了面向教育主題網(wǎng)絡(luò)蜘蛛選擇性的收集僅包含教育主題相關(guān)信息的網(wǎng)頁，建立面向教育主題的網(wǎng)頁數(shù)據(jù)庫，并把網(wǎng)頁中非結(jié)構(gòu)化信息提取、轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，建立索引數(shù)據(jù)庫。最后以檢索的方式同用戶進(jìn)行信息交互，為用戶提供面向教育主題的垂直搜索服務(wù)。

通用搜索引擎系統(tǒng)主要由采集器、索引器、檢索器、相關(guān)數(shù)據(jù)庫及用戶接口等部分組成[2]，而本文設(shè)計(jì)的面向教育主題的垂直搜索引擎為了實(shí)現(xiàn)查詢結(jié)果與教育主題相關(guān)，還需要增加面向主題的特征詞數(shù)據(jù)庫及主題相關(guān)性計(jì)算器，用于判斷爬取的網(wǎng)頁信息是否與主題相關(guān)。

1 垂直搜索引擎的體系結(jié)構(gòu)設(shè)計(jì)

面向教育主題的垂直搜索引擎系統(tǒng)主要包含信息采集模塊與主題識(shí)別模塊、信息抽取與索引模塊、用戶接口與信息檢索模塊三部分，總體結(jié)構(gòu)設(shè)計(jì)如圖1所示。

圖1 面向教育主題垂直搜索引擎總體結(jié)構(gòu)設(shè)計(jì)圖

1.1 教育主題信息采集與主題識(shí)別模塊

在信息采集模塊中，運(yùn)用面向教育主題的網(wǎng)絡(luò)蜘蛛對教育主題相關(guān)信息進(jìn)行抓取，這是搜索引擎的第一個(gè)步驟。從某一個(gè)具有主題意義的種子URL開始，按照深度優(yōu)先算法，采用多線程并行抓取方式自動(dòng)在互聯(lián)網(wǎng)上搜索爬行。遍歷教育領(lǐng)域的門戶網(wǎng)站，抓取與教育主題相關(guān)的網(wǎng)頁，采集網(wǎng)頁信息，抽取并壓縮網(wǎng)頁內(nèi)容存入原始數(shù)據(jù)庫中，然后跳轉(zhuǎn)到網(wǎng)頁中鏈接指向的其他網(wǎng)頁，直至遍歷整個(gè)網(wǎng)絡(luò)。

在此過程中，運(yùn)用主題識(shí)別算法對網(wǎng)絡(luò)蜘蛛所采集的頁面進(jìn)行主題相關(guān)性判斷，根據(jù)計(jì)算得到的相關(guān)度結(jié)果，對采集到的網(wǎng)頁進(jìn)行取舍，將相關(guān)度大于預(yù)先設(shè)定的閾值的網(wǎng)頁保存到面向主題網(wǎng)頁數(shù)據(jù)庫中，舍棄與主題不相關(guān)的網(wǎng)頁。這垂直搜索引擎的核心部分，可以控制信息采集的規(guī)模，保證采集到的信息的專業(yè)性，提高搜索的準(zhǔn)確性。

1.2 信息抽取與索引模塊

信息抽取與索引模塊對存儲(chǔ)于面向主題數(shù)據(jù)庫中的大量結(jié)構(gòu)和非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行抽取，將網(wǎng)頁主題塊中特定的結(jié)構(gòu)化信息抽取出來。并進(jìn)行過濾、分詞等預(yù)處理操作，構(gòu)造索引，計(jì)算詞的權(quán)值按檢索結(jié)果合理排序，并存入索引數(shù)據(jù)庫中。

1.3 用戶接口與信息檢索模塊

用戶接口與信息檢索模塊是接受用戶輸入查詢請求并將查詢結(jié)果反饋給用戶的接口界面。模塊首先對用戶輸入的搜索關(guān)鍵字、排序方式進(jìn)行分詞等信息分析處理，然后在索引數(shù)據(jù)庫中查找到包含搜索關(guān)鍵詞的文本記錄，并根據(jù)相關(guān)度評價(jià)和用戶需要將記錄排序，最后以超級鏈接的形式將提取網(wǎng)頁的摘要信息反饋給用戶。

2 面向主題的垂直搜索引擎關(guān)鍵技術(shù)

2.1 面向教育主題的網(wǎng)絡(luò)蜘蛛設(shè)計(jì)

為了盡可能多地實(shí)現(xiàn)對教育主題相關(guān)網(wǎng)頁信息的自動(dòng)獲取，本文在通用搜索引擎的基礎(chǔ)上設(shè)計(jì)了一個(gè)面向教育主題的網(wǎng)絡(luò)蜘蛛系統(tǒng)模型，它是面向教育主題垂直搜索引擎系統(tǒng)的核心部分[3]。面向教育主題網(wǎng)絡(luò)蜘蛛系統(tǒng)模型主要由信息采集模塊、頁面解析與過濾模塊、主題相關(guān)性計(jì)算器、鏈接剪枝控制器4部分構(gòu)成。頁面采集模塊主要負(fù)責(zé)從初始URL隊(duì)列出發(fā)，通過HTTP協(xié)議請求并下載web頁面，采集URL指向的頁面信息，送入頁面解析與過濾模塊中。本文采用了多線程并發(fā)技術(shù)，大大提高了頁面采集效率[4]。頁面解析與過濾對下載到原始數(shù)據(jù)庫中的頁面信息進(jìn)行消重處理，解析web頁面，提取例如鏈接文本、結(jié)構(gòu)信息、鏈接URL地址等數(shù)據(jù)。主題相關(guān)性計(jì)算器主要是對網(wǎng)址解析與過濾模塊中提取的網(wǎng)頁內(nèi)容文本進(jìn)行主題相關(guān)性判定，將主題相關(guān)度大于預(yù)先設(shè)定閾值的網(wǎng)頁保存在面向主題數(shù)據(jù)庫中，過濾掉與主題相關(guān)度較低或不相關(guān)的頁面，從而保證網(wǎng)絡(luò)所采集頁面的主題的相關(guān)性與專業(yè)性。鏈接剪枝控制器的任務(wù)是從與經(jīng)過過濾后得到的主題相關(guān)的頁面中抽取出鏈接URL，并采用主題相關(guān)計(jì)算方法對URL進(jìn)行篩選，將有價(jià)值的URL暫存在待搜索URL隊(duì)列中，按照主題相關(guān)度大小進(jìn)行排序，相關(guān)度越高的越先被訪問。

面向教育主題的網(wǎng)絡(luò)蜘蛛工作流程如圖2所示。面向教育主題的網(wǎng)絡(luò)蜘蛛首先依次從人工預(yù)設(shè)的種子URL隊(duì)列中取出以獲取URL，訪問該URL指向的網(wǎng)頁并解析其內(nèi)容，使用主題相關(guān)性計(jì)算方法計(jì)算頁面及頁面內(nèi)URL鏈接的主題相關(guān)度，將與主題相關(guān)的網(wǎng)頁信息存入面向主題網(wǎng)頁數(shù)據(jù)庫中，將頁面中與主題相關(guān)的URL加入待搜索URL隊(duì)列中。不斷從待搜索URL隊(duì)列中取出URL進(jìn)行訪問，這樣迭代訪問web，直到遍歷整個(gè)web或滿足某一條件為止。

圖2 面向教育主題的網(wǎng)絡(luò)蜘蛛設(shè)計(jì)模型圖

2.2 向量空間模型

本文采用了計(jì)算頁面主題相關(guān)度時(shí)使用較多、效果較好的數(shù)學(xué)模型VSM（veclor space modle）[5]，對網(wǎng)頁內(nèi)容與主題的相關(guān)程度進(jìn)行評價(jià)，保留與主題相關(guān)度大于設(shè)定閾值的頁面，過濾掉與主題相關(guān)度較低或不相關(guān)的頁面，以提高采集頁面的準(zhǔn)確性。

在VSM中，將網(wǎng)頁看成由相互獨(dú)立的詞條組成，將教育領(lǐng)域主題詞庫看作一個(gè)n維向量（c1，c2，…，cn），n為教育領(lǐng)域主題詞庫中關(guān)鍵詞的個(gè)數(shù)，頁面Pi可以表示成一個(gè)一維向量P=（w1c1，w2c2，…，wncn）。其中，wi為評價(jià)教育領(lǐng)域主題詞庫中關(guān)鍵詞ci在頁面P中重要程度的權(quán)值。若關(guān)鍵詞ci未在頁面P中出現(xiàn)，則權(quán)值wi值為0。本文中權(quán)值wi采用傳統(tǒng)的TF-IDF算法計(jì)算，其計(jì)算公式為：

其中，cFi為關(guān)鍵詞cj在頁面Pi中出現(xiàn)的頻率，由于關(guān)鍵詞在頁面中出現(xiàn)的位置不同，重要程度也不同，所以cj在頁面Pi中出現(xiàn)的頻率cFi應(yīng)該由在標(biāo)題和正文出現(xiàn)次數(shù)加權(quán)求和來計(jì)算。

這樣，頁面與主題相關(guān)度問題就轉(zhuǎn)化為向量空間的矢量匹配問題，可利用向量空間中向量間夾角的余弦值來度量目標(biāo)網(wǎng)頁與主題的相關(guān)度，向量間夾角的余弦值越小則兩者相似度越高，算法流程如下。

(i)在初始種子集合的URL指向頁面中提取關(guān)鍵詞并加權(quán)，得到關(guān)于教育主題的特征向量及向量權(quán)值。

(ii)分別對目標(biāo)網(wǎng)頁的標(biāo)題和正文內(nèi)容進(jìn)行分詞、篩選并合并關(guān)鍵詞，得到目標(biāo)網(wǎng)頁關(guān)于教育主題的特征向量，根據(jù)關(guān)鍵詞在文章中出現(xiàn)的位置和頻率計(jì)算其權(quán)重。(iii)根據(jù)公式(3)計(jì)算目標(biāo)網(wǎng)頁與主題的相關(guān)度值。

其中wic為關(guān)鍵詞ci在主題詞向量中C的權(quán)重。

(iv)將計(jì)算得到的目標(biāo)網(wǎng)頁的相關(guān)度與閾值s進(jìn)行比較，若相關(guān)度大于閾值，則將目標(biāo)網(wǎng)頁存于面向主題網(wǎng)頁數(shù)據(jù)庫中，否則，忽略此頁面。

2.3 基于Lucene索引的創(chuàng)建

垂直搜索引擎在同一時(shí)間會(huì)接受大量的用戶的查詢請求，這就要求索引模塊完成大量的運(yùn)算操作，以提高檢索模塊的工作效率。Lucene是用JAVA實(shí)現(xiàn)的開放源代碼的全文檢索引擎工具包，是一個(gè)高性能、可伸縮的信息搜索庫[7]，本文正是基于Lucene技術(shù)建立索引，其工作方式如圖3所示。

圖3 索引建立流程圖

索引網(wǎng)頁庫存儲(chǔ)鏈接與其指向網(wǎng)頁的映射。文本解析器用來分析和處理不同格式的文檔，提取正文信息、過濾垃圾信息、中文分詞切分索引項(xiàng)等操作，形成統(tǒng)一格式的文檔，存儲(chǔ)于文本中間格式數(shù)據(jù)庫中。由于中文構(gòu)詞方式的差異，需要對中文網(wǎng)頁進(jìn)行分詞，以便建立索引文件。本文采用雙向哈希索引詞典，對數(shù)據(jù)庫中中文網(wǎng)頁進(jìn)行分詞處理。文本中間格式數(shù)據(jù)庫存儲(chǔ)經(jīng)文本解析器提取、過濾、分詞等操作的數(shù)據(jù)，數(shù)據(jù)格式為純文本格式，為索引器提供可分析數(shù)據(jù)。索引器是垂直搜索引擎中用來分析處理文本中間格式數(shù)據(jù)庫中的非結(jié)構(gòu)化文檔信息、建立索引的程序，主要任務(wù)是按照預(yù)設(shè)的索引項(xiàng)建立索引列表、更改索引字典。文本索引庫中存儲(chǔ)以索引形式組織存放的文檔信息數(shù)據(jù)文件，一般的數(shù)據(jù)庫系統(tǒng)不能同時(shí)滿足大量用戶的查詢請求，所以在本系統(tǒng)中采用了倒排索引技術(shù)。創(chuàng)建倒排索引包括建立正向索引、創(chuàng)建反向索引、歸并索引等操作。將存放詞和編碼意義映射關(guān)系存儲(chǔ)于索引字典中。

2.4 檢索與用戶接口模塊

面向教育主題的垂直搜索引擎通過檢索模塊實(shí)現(xiàn)與用戶的交互，系統(tǒng)對通過接口輸入的查詢短語進(jìn)行分詞等操作，將它傳送至檢索器，檢索器根據(jù)查詢項(xiàng)在索引文件上查找，按照與查詢項(xiàng)相關(guān)程度排序，并將結(jié)果通過用戶接口呈獻(xiàn)給用戶。其主要流程如下：

（1）通過用戶接口接受用戶的查詢項(xiàng)，并對其進(jìn)行分析、分詞等處理。

（2）搜素包含關(guān)鍵詞的網(wǎng)頁，過濾掉與查詢項(xiàng)不相關(guān)的網(wǎng)頁。

（3）按照與查詢項(xiàng)相關(guān)度大小對匹配的網(wǎng)頁排序，以鏈接形式呈現(xiàn)給用戶。

3 系統(tǒng)實(shí)現(xiàn)

本文采用Java開發(fā)的開源的主題網(wǎng)絡(luò)蜘蛛從吉林省內(nèi)各中小學(xué)校、培訓(xùn)機(jī)構(gòu)網(wǎng)站上爬取與教育主題相關(guān)的信息資源，利用主題相關(guān)度算法判斷爬取到的信息的主題相關(guān)性，后對信息進(jìn)行分析和提取、運(yùn)用、擴(kuò)展，并成功應(yīng)用luene極其相關(guān)技術(shù)，構(gòu)建了檢索結(jié)果比較精準(zhǔn)的面向教育主題的垂直搜索引擎系統(tǒng)，為人們提供了大量的綠色教育資源，極大地方便了人們的日常生活。

4 結(jié)論

本文詳細(xì)描述了面向教育主題的垂直搜索引擎系統(tǒng)的總體設(shè)計(jì)，從教育領(lǐng)域信息搜索的實(shí)際出發(fā)，著重研究了主題網(wǎng)絡(luò)蜘蛛、向量空間模型、倒排索引建立等關(guān)鍵技術(shù)，并給出了具體的實(shí)現(xiàn)細(xì)節(jié)。在此基礎(chǔ)上，開發(fā)了一個(gè)面向教育主題的垂直搜索引擎，該系統(tǒng)能夠有效地采集分散的教育主題相關(guān)網(wǎng)頁，形成面向教育主題網(wǎng)頁數(shù)據(jù)庫，快速地響應(yīng)用戶的查詢請求，準(zhǔn)確地返回相關(guān)度較高的網(wǎng)頁，實(shí)現(xiàn)了教育資源的共享，具有較高的社會(huì)價(jià)值。

[1]劉暢.綜合搜索引擎與垂直搜索引擎的比較[J].情報(bào)科學(xué),2007,25(1):97-102.

[2]閆俊英.垂直搜索引擎的研究與實(shí)現(xiàn)[D].哈爾濱:哈爾濱工業(yè)大學(xué),2004.

[3]張博,蔡皖東.面向主題的網(wǎng)絡(luò)蜘蛛技術(shù)研究與系統(tǒng)實(shí)現(xiàn)[J].微電子學(xué)與計(jì)算機(jī),2009,26(5):52-55.

[4]彭濤.面向?qū)I(yè)搜索引擎的主題爬行技術(shù)研究[D].長春:吉林大學(xué),2007.

[5]張昌年.一種基于VSM的檢測相似重復(fù)記錄的方法[J].微電子學(xué)與計(jì)算機(jī),2008(8):184-187.

[6]朱學(xué)昊,王儒敬,余鋒林,等.基于Lucene的站內(nèi)搜索設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(10):6-8.