新聞信息檢索系統(tǒng)設計

趙美勇　楊永琪　宋思睿

摘? 要：模擬百度、谷歌等搜索工具，利用爬蟲和大數(shù)據(jù)來實現(xiàn)一個簡單的新聞信息檢索系統(tǒng)。此系統(tǒng)大致分為5個模塊：先是利用爬蟲來爬取網(wǎng)頁的信息;利用2-gram分詞來將獲取到的網(wǎng)頁建立索引;將索引排序;利用hadoop分布式存取索引;最后搭建前后端實現(xiàn)界面交互。五個環(huán)節(jié)關系緊密，核心環(huán)節(jié)就是索引的建立，利用2-gram分詞提取關鍵字，再利用TF-IDF矩陣對關鍵字打分，得到矩陣之后，就可以利用K-means來講關鍵字分類了。然后再按照評分將索引排序就可以得到用戶所需要的信息。

關鍵詞：爬蟲? Hadoop? 2-gram? 分詞? K-means

中圖分類號：G64? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1672-3791（2019）03（c）-0006-02

1? 系統(tǒng)內(nèi)容

1.1 Web網(wǎng)頁信息抽取

以山東大學新聞網(wǎng)為起點進行網(wǎng)頁信息的循環(huán)爬取，保持蜘蛛在view.sdu.edu.cn之內(nèi)。

1.2 索引構建

對上一步爬取到的網(wǎng)頁進行結構化預處理，包括分字段解析、分詞、構建索引等。

1.3 索引排序

對上一步構建的索引庫進行查詢，對于給定的查詢，給出檢索結果，明白排序的原理及方法。

1.4 數(shù)據(jù)庫構建

利用爬取的新聞內(nèi)容以及構建的索引建立數(shù)據(jù)庫

1.5 前后端實現(xiàn)

基于數(shù)據(jù)庫利用Java及HTML語言實現(xiàn)前后端交互，提供用戶使用頁面。

2? 系統(tǒng)設計

2.1 爬蟲部分

通過觀察分析新聞主頁可以發(fā)現(xiàn)我們需要的最終URL是：

http：//www.view.sdu.edu.cn/info/1207/104940.htm

在信息爬取的過程中，所使用的工具為：

Python3+requests+bs4+collections。

實現(xiàn)過程如下：

（1）以http：//www.view.sdu.edu.cn為種子URL，獲取此網(wǎng)頁中所有的以“.html”結尾的URL，并且把它加入到列表中避免重復訪問。

（2）通過分析網(wǎng)頁的源碼可以發(fā)現(xiàn)有些URL省略了前綴，因此我們在處理這樣的URL之前要先將其補全。

（3）找到每一個滿足條件的URL（保持蜘蛛在view.sdu.edu.cn之內(nèi)），并將其加入到隊列中（這里采取BFS爬取策略）。

（4）之后依次從隊列中取出隊首的URL，如果是目標URL，則獲取標題及正文信息，并存到文件中。如果不是目標URL，則依次進行（2）、（3）、（4）步驟。

（5）在爬蟲的過程中維護一個目錄文件，記錄下每篇新聞的索引、URL、標題。

2.2 詞項詞典構建

詞典構建時分詞系統(tǒng)采用疊詞方式，也就是將語句ABCDE分割成AB，BC，CD，DE四個單詞。

這里使用了一個假設，即“與文檔內(nèi)容有關的詞語不會只出現(xiàn)一次”，通過這個假設，我們可以排除絕大多數(shù)噪音詞項。

比如“今天去濟南”，“今天”“濟南”這兩個詞項如果在文檔中占據(jù)重要地位，那么會出現(xiàn)不止一次，而“天去”“去濟”這兩個干擾詞項在絕大多數(shù)情況下只會出現(xiàn)一次，可以輕松除去。

基于以上假設，將所有文檔遍歷一遍之后就可以得到一個去除了大多數(shù)干擾項和部分有效實詞的有損詞典。但是考慮到最后的目的是制作一個有序搜索引擎，被損耗掉的部分實詞往往在排序中所占據(jù)的得分份額也非常小，因此這個詞典就可以被認為是有效的詞典。

2.3 倒排索引構建、TF-IDF矩陣和特征矩陣構建

有了詞典之后，就可以進行倒排索引操作了。

倒排索引操作時仍然使用疊加分詞方式，但是只有存在于上一步產(chǎn)生的詞典中的詞語才會進入下一步操作。倒排索引的結果會生成一個類似二維鏈表的結構，每個鏈表頭保存了詞項名稱，鏈表中間項保存了文檔ID和詞頻，鏈表尾保存了文檔頻率和詞語總頻率。

利用鏈表尾保存的信息和文檔長度信息，遍歷一遍倒排索引即可直接生成TF-IDF矩陣。

考慮到最高頻的詞語在絕大多數(shù)文檔中都出現(xiàn)，對特征影響小的原因，選取其中詞頻第100～400共300個詞語進行SVD分解，這樣就得到了特征矩陣。

2.4 文檔聚類

在有了特征矩陣之后，直接使用UT矩陣，直接生成對參與到分類的文檔的特征向量。

由于特征矩陣的計算和K-means迭代在大量數(shù)據(jù)的情況下單機運行十分緩慢，因此聚類被分成兩步，第一步隨機選擇了一部分向量進行完整的K-means算法，這樣就可以得√N個聚類中心;第二步對剩余的信息直接尋找和它們最近的聚類中心，直接視為這一聚類的追隨者。

因為單機環(huán)境下推薦系統(tǒng)使用較少數(shù)據(jù)的效果更明顯，第一步使用的部分向量在后面將用來實現(xiàn)推薦系統(tǒng)。

同時，根據(jù)聚類結果，將原始的TF-IDF矩陣分割成了數(shù)個較小的矩陣。每個聚類中最接近聚類中心的一個作為矩陣第一列的數(shù)據(jù)。

3? 前后端實現(xiàn)

3.1 前端實現(xiàn)

使用JSP、JS、Java語言實現(xiàn)界面。

（1）大致劃分：title檢索欄、content內(nèi)容新聞塊。

（2）基本功能：輸入檢索自然語言，查詢相關新聞，獲取相關新聞標題URL信息，進一步跳轉詳細信息。

3.2 后端實現(xiàn)

自然語言處理，實現(xiàn)2-gram分詞。

（1）單關鍵詞查詢：檢索該關鍵詞相關文檔，利用tf值取其中前十位的文檔ID，構建NEWS數(shù)據(jù)結構，生成結果。

（2）多關鍵字查詢：將關鍵詞拆分，利用tf*idf乘積作為每篇文檔得分，最后將所有文檔排序，取出TOP10。

4? 結語

此系統(tǒng)不同于簡單的前端調(diào)取數(shù)據(jù)庫內(nèi)容，這次數(shù)據(jù)庫更多的只作為系統(tǒng)實現(xiàn)中的一小部分，清晰地了解了一個完整的信息檢索系統(tǒng)的構成，從信息采集、信息處理、信息入庫到信息利用和展示，一步又一步，讓這個過程復雜又清晰。也通過對于信息檢索的學習，逐步了解了真正的搜索引擎背后實現(xiàn)原理以及強大的技術支持。盡管在我們的系統(tǒng)中僅僅使用了python爬蟲爬取、基于2-gram的分詞以及索引構建、數(shù)據(jù)庫的簡單應用、TF-IDF得分計算、前后端實現(xiàn)這些技術，但已經(jīng)得到了良好的效果。

此系統(tǒng)還有很大的完善空間，但是通過自己的努力基本實現(xiàn)了搜索引擎系統(tǒng)的基本要求，完成了包括關鍵詞和復雜語言的查詢操作，并且實現(xiàn)了良好的效果。

參考文獻

[1] 李俊華.基于Python的數(shù)據(jù)分析[J].電子技術與軟件工程，2018（17）：167.

[2] 馬明陽，郭明亮，魏留強.網(wǎng)絡爬蟲的專利技術綜述[J].科技世界，2018（12）：12-13.

[3] 陳麗，黃晉，王銳.Hadoop大數(shù)據(jù)平臺安全問題和解決方案的綜述[J].計算機系統(tǒng)應用，2018（1）：1-9.

[4] 邱均平，方國平.基于知識圖譜的中外自然語言處理研究的對比分析[J].現(xiàn)代圖書情報技術，2014，30（12）：51-61.

[5] 何曉兵，容金鳳.基于層次目標分解法構建的認知信息檢索模型[J].情報理論與實踐，2014（2）：14-18.