域名預(yù)訂/競(jìng)價(jià),好“米”不錯(cuò)過(guò)
在這個(gè)科技高度發(fā)達(dá)的時(shí)代,百度已經(jīng)成為人們能獲取消息的主要途徑。但如今的百度,到處充斥著一些重復(fù)的內(nèi)容,對(duì)用戶的訪問(wèn)造成很大的困擾。因此,百度需要對(duì)網(wǎng)頁(yè)重復(fù)進(jìn)行判斷,對(duì)重復(fù)的網(wǎng)頁(yè),只選取一些高質(zhì)量的我那工業(yè),共用戶瀏覽。然而,現(xiàn)有技術(shù)中一般是通過(guò)比較兩個(gè)頁(yè)面的內(nèi)容和借點(diǎn),來(lái)確認(rèn)兩個(gè)頁(yè)面的相似度。
這種方法能夠計(jì)算的比較準(zhǔn)確,可時(shí)間復(fù)雜度太高,計(jì)算很費(fèi)時(shí)間。通過(guò)對(duì)一個(gè)頁(yè)面中的某些重要信息進(jìn)行簽名,然后比較兩個(gè)頁(yè)面的簽名,來(lái)計(jì)算相似度,這種方式比較簡(jiǎn)單高效,計(jì)算速度比較快,比較適合百度這種海量信息的應(yīng)用場(chǎng)景。
1,網(wǎng)站重復(fù)內(nèi)容的判斷
A,獲取多個(gè)網(wǎng)頁(yè);
B,分別提取網(wǎng)頁(yè)的網(wǎng)頁(yè)正文;
C,從網(wǎng)頁(yè)正文中提取一個(gè)或多個(gè)句子,并根據(jù)一個(gè)或多個(gè)句子計(jì)算網(wǎng)頁(yè)正文句子簽名;
D,根據(jù)網(wǎng)頁(yè)正文句子簽名對(duì)多個(gè)網(wǎng)頁(yè)進(jìn)行聚類;
E,針對(duì)每一類下的網(wǎng)頁(yè),計(jì)算網(wǎng)頁(yè)的附加簽名;
F,根據(jù)附加簽名判斷每一類下的網(wǎng)頁(yè)是否重復(fù)。
通過(guò)上述方式,網(wǎng)頁(yè)重復(fù)的判斷系統(tǒng)及其判斷方法通過(guò)包括網(wǎng)頁(yè)正文句子簽名在內(nèi)的多維度簽名有效且快速地判斷網(wǎng)頁(yè)是否重復(fù)。
網(wǎng)站頁(yè)面基本架構(gòu)
提取正文
A,對(duì)網(wǎng)頁(yè)進(jìn)行分塊;
B,對(duì)分塊后的網(wǎng)頁(yè)進(jìn)行塊過(guò)濾,以獲取包含網(wǎng)頁(yè)正文的內(nèi)容快;
C,從內(nèi)容塊中提取網(wǎng)頁(yè)正文。
正文分句
A,對(duì)網(wǎng)頁(yè)正文進(jìn)行分句;
在本步驟中,可利用分號(hào),句號(hào),感嘆號(hào)等表示句子完結(jié)的標(biāo)志符號(hào)來(lái)對(duì)網(wǎng)頁(yè)正文進(jìn)行分句。此外,還可以通過(guò)網(wǎng)頁(yè)正文的視覺(jué)信息來(lái)對(duì)網(wǎng)頁(yè)正文進(jìn)行分句。
B,對(duì)分句后的網(wǎng)頁(yè)正文進(jìn)行過(guò)濾及轉(zhuǎn)換;
在步驟中,首先過(guò)濾掉句子中的數(shù)字信息;版權(quán)信息以及其他對(duì)網(wǎng)頁(yè)重復(fù)判斷不起決定性作用的信息。隨后,對(duì)句子進(jìn)行轉(zhuǎn)換,例如,進(jìn)行全角/半角轉(zhuǎn)換或者繁體/簡(jiǎn)體轉(zhuǎn)換,以使得轉(zhuǎn)換后的句子的格式統(tǒng)一。
C,從過(guò)濾及轉(zhuǎn)換后的網(wǎng)頁(yè)正文中提取最長(zhǎng)的一個(gè)或多個(gè)句子;
在本步驟中,過(guò)濾及轉(zhuǎn)換后的網(wǎng)頁(yè)正文提取出最長(zhǎng)的一個(gè)句子或者做場(chǎng)的預(yù)定數(shù)量連續(xù)句子的組合。例如,某個(gè)網(wǎng)頁(yè)實(shí)例中,經(jīng)過(guò)過(guò)濾及轉(zhuǎn)換后的某段最長(zhǎng),遠(yuǎn)超其他句子,因此可選擇該段為網(wǎng)頁(yè)正文句子,或者選擇最長(zhǎng)的連續(xù)句子組合作為網(wǎng)頁(yè)正文句子。
D,對(duì)一個(gè)或多個(gè)句子進(jìn)行hash簽名運(yùn)算,以獲取網(wǎng)頁(yè)正文句子簽名。
simhash算法就是比較各網(wǎng)頁(yè)的附加簽名是否相同或相似來(lái)判斷網(wǎng)頁(yè)是否重復(fù)。具體來(lái)說(shuō),在比較利用simhash簽名運(yùn)算獲得的網(wǎng)頁(yè)正文簽名時(shí),比較網(wǎng)頁(yè)正文簽名的不同位數(shù),不同位越少,表示網(wǎng)頁(yè)重復(fù)的可能性越高,在比較其他的附加簽名時(shí),若附加簽名相等,表示網(wǎng)頁(yè)在該緯度上重復(fù)。
總結(jié):
1、兩個(gè)網(wǎng)頁(yè)的真實(shí)標(biāo)題簽名相同。
2、兩個(gè)我那工業(yè)的網(wǎng)頁(yè)內(nèi)容簽名相同。
3、兩個(gè)網(wǎng)頁(yè)的網(wǎng)頁(yè)正文簽名的不同位數(shù)小于6.。
4、兩個(gè)網(wǎng)頁(yè)的網(wǎng)頁(yè)位置簽名相同,并且url文件名簽名相同。
5、評(píng)論塊簽名、資源簽名、標(biāo)簽標(biāo)題簽名、摘要簽名、url文件名簽名中有三個(gè)簽名相同。
附加信息整站判斷重復(fù)標(biāo)準(zhǔn):
通過(guò)兩兩頁(yè)面比較,可以得到真重復(fù)url的集合。一般來(lái)說(shuō),如果這個(gè)真重復(fù)url集合中的網(wǎng)頁(yè)的數(shù)量/整個(gè)網(wǎng)頁(yè)集中網(wǎng)頁(yè)的數(shù)量大于30%,則認(rèn)為整個(gè)網(wǎng)頁(yè)集都是真重復(fù),否則就是假重復(fù)。
申請(qǐng)創(chuàng)業(yè)報(bào)道,分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處,共同探討創(chuàng)業(yè)新機(jī)遇!