Đồ Án Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt

Phần 1 : TÌM HIỂU VẤN ĐỀ .2
Chương 1: TỔNG QUAN VỀ HỆ THỐNG SEARCH ENGINE 2
1. Các bộ phận cấu thành hệ thống search engine 2
1.1 Bộ thu thập thông tin – Robot .2
1.2 Bộ lập chỉ mục – Index .2
1.3 Bộ tìm kiếm thông tin – Search Engine 3
2. Nguyên lý hoạt động .3
Chương 2: BỘ THU THẬP THÔNG TIN – ROBOT .5
1. Ứng dụng của Robot .5
1.1 Phân tích, thống kê – Statistical Analysis .5
1.2 Duy trì siêu liên kế - Maintenance 5
1.3 Ánh xạ địa chỉ web - Mirroring 5
1.4 Phát hiện tài nguyên – Resource Discovery .6
1.5 Kết hợp các công dụng trên- Combined uses .6
2. Robot chỉ mục – Robot Indexing 6
3. Các chiến thuật thu thập dữ liệu [II.1] 8
3.1 Chiến thuật tìm kiếm theo chiều sâu .8
3.2 Chiến thuật tìm kiếm theo chiều rộng .9
3.3 Chiến thuật tìm kiếm theo ngẫu nhiên 9
4. Những vấn đề cần lưu ý của web robot 10
4.1 Chi phí và hiểm hoạ 10
4.1.1 Qúa tải mạng và server – Network resource and server load .10
4.1.2 Sự cập nhật quá mức- Updating overhead .11
4.1.3 Những tình huống không mong đợi – Bad implementations .12
4.2 Tiêu chuẩn loại trừ robot .12
4.2.1 File robot.txt .13
4.2.2 Thẻ META dành cho robot – Robot META tag 14
4.2.3 Nhược điểm của file robot.txt 15
Chương 3: BỘ LẬP CHỈ MỤC – INDEX 18
1. Khái quát về hệ thống lập chỉ mục .18
2. Tổng quan về phương pháp lập chỉ mục ([I.1], [I.2], [II.1]) 21
2.1 Xác định mục từ quan trọng cần lập chỉ mục ([I.1]) .21
2.2 Một số hàm tính trọng số mục từ. ([I.1]) 23
2.2.1 Nghịch đảo trọng số tần số tài liệu (The Inverse Document Frequency
Weight) 24
2.2.2 Độ nhiễu tín hiệu (Signal Noise): .25
2.2.3 Giá trị độ phân biệt của mục từ : 25
2.2.4 Kết hợp tần số xuất hiện mục từ và nghịch đảo tần số tài liệu 26
2.3 Lập chỉ mục tự động cho tài liệu 28
3. Lập chỉ mục cho tài liệu tiếng Việt ([III.1], [II.1], [II.2], [II.3], [II.4], [IV.11],
[IV.12]) .29
3.1 Khó khăn cho việc lập chỉ mục tiếng Việt 29
3.2 Đặc điểm về từ trong tiếng Việt và việc tách từ .31
3.2.1 . Đặc điểm về từ trong tiếng Việt: .31
3.2.2 Tách từ 32
3.3 Giải quyết các vấn đề hiển thị của tiếng Việt (vấn đề chính tả) .34
3.3.1 Vấn đề bảng mã 34
3.3.2 Vấn đề dấu thanh 35
3.3.3 Vấn đề dấu tổ hợp nguyên âm 36
3.4 Giải quyết các vấn đề về từ của tiếng Việt .37
3.4.1 Luật xác định các từ láy .37
3.4.2 Luật xác định các liên từ 37
3.5 Xây dựng từ điển tiếng Việt 37
Chương 4: BỘ TÌM KIẾM THÔNG TIN – SEARCH ENGINE 40
1. Vì sao ta cần một công cụ tìm kiếm (SE) ? 40
2. Các phương thức tìm kiếm .40
2.1 Tìm theo từ khoá – Keyword searching 40
2.2 Những khó khăn khi tìm theo từ khoá 41
2.3 Tìm theo ngữ nghĩa – Concept-based searching .41
3. Các chiến lược tìm kiếm .42
3.1 Tìm thông tin với các thư mục chủ đề 42
3.2 Tìm thông tin với các công cụ tìm kiếm .43
3.3 Tối ưu câu truy vấn .43
3.4 Truy vấn bằng ví dụ 44
Chương 5: MỘT SỐ SEARCH ENGINE THÔNG DỤNG TRÊN THẾ GIỚI
VÀ VIỆT NAM .45
1.1 Thư mục của Yahoo, Google 54
1.2 Alltheweb 55
1.3 AltaVista .55
1.4 Lycos .55
1.5 HotBot .55
2. Một số search engine thông dụng ở Việt Nam .56
2.1 Netnam [IV.12] .56
2.1.1 Phương pháp Netnam SE lập chỉ mục dữ liệu .58
Tìm hiểu về Search Engine và xây dựng ứng dụng minh hoạ cho Search Engine tiếng Việt
Lê Thuý Ngọc - 0012745 6 Đỗ Mỹ Nhung - 0012624
2.1.2 Cú pháp tìm kiếm .59
2.1.3 Sử dụng từ khoá để lọc các tìm kiếm .61
2.2 Vinaseek ([IV.11]) 65
Phần 2 : THIẾT KẾ VÀ CÀI ĐẶT 67
Chương 6: THIẾT KẾ DỮ LIỆU .67
1. Cơ sở dữ liệu trong SQL .67
2. Hệ thống tập tin .71
Chương 7: THU THẬP THÔNG TIN 72
1. Cấu trúc dữ liệu .72
1.1 Cấu trúc UrlInfo 73
1.2 Cấu trúc StartUrlInfo 74
1.3 Cấu trúc FileRetrieval .75
1.4 Cấu trúc ProjectInfo 75
2. Xử lý của web robot 78
3. Giải quyết các vấn đề của web robot 83
3.1 Tránh sự lặp lại .83
3.2 Tránh làm qúa tải server .83
3.3 Tránh truy xuất đến các dạng tài nguyên không thích hợp .83
3.4 Tránh các lỗ đen(black holes) .84
3.5 Tránh những nơi cấm robot .84
4. Các thuật toán phân tích cấu trúc file HTML .84
4.1 Thuật toán lấy liên kết .84
4.1.1 Thuật toán ứng dụng cũ đã cài đặt .85
4.1.2 Chọn lựa của ứng dụng mới .89
4.2 Thuật toán lấy tiêu đề 89
4.3 Thuật toán lấy nội dung 90
5. Duy trì thông tin cho CSDL 91
6. Resume project .91
6.1 Nguyên tắc resume của ứng dụng cũ1
.92
6.2 Cải tiến của ứng dụng mới 94
Chương 8: LẬP CHỈ MỤC 97
1. Tính trọng số của từ: .97
2. Tập tin nghịch đảo : 98
3. Từ điển chỉ mục 105
4. Quá trình stemming 110
Chương 9: TÌM KIẾM THÔNG TIN 113
Chương 10: CÁC MODULE ,PACKAGE, LỚP CHÍNH CỦA CHƯƠNG
TRÌNH .115
1. Các module, package của chương trình 115
2. Các lớp đối tượng chính trong từng module .116
2.1 Module DBController .116
2.2 Module ProcessDoc 117
2.3 Module Query .118
2.4 Module SE .119
2.5 Module Webcopy 119
2.6 Module WebcopyGUI .120
Phần 3 : KẾT QUẢ, ĐÁNH GIÁ VÀ HƯỚNG PHÁT TRIỂN .122
1. Kết quả thử nghiệm .122
2. Hoạt động của chương trình .124
2.1 Giao diện quản trị 124
2.1.1 Giao diện chính của quản trị 124
2.1.2 Tạo mới project 125
2.1.3 Tạo mới một StartUrl : .128
2.1.4 Xem từ điển chỉ mục 131
2.1.5 Quản l ý mục từ .132
2.2 Giao diện tìm kiếm 134
3. Đánh giá 136
3.1 Ưu điểm .136
3.2 Khuyết điểm 137
4. Hướng phát triển .137
4.1 Đối với từng module : .137
4.2 Đối với toàn luận văn: .138
DANH SÁCH CÁC BẢNG 139
DANH SÁCH CÁC HÌNH VẼ .140
TÀI LIỆU THAM KHẢO 141
I. Sách, ebook: .141
II. Luận văn, luận án .141
III. Bài báo 142
IV. Website .142