《信息檢索系統(tǒng)》方案

1、HX-2055 信息檢索系統(tǒng)方案目錄一項(xiàng)目意義2二系統(tǒng)設(shè)計(jì) 32.1技術(shù)原理32.2系統(tǒng)構(gòu)架5三系統(tǒng)功能63.1 信息采集 63.2中文自然語言處理 63.3全文檢索功能 73.4格式文件檢索 8一 項(xiàng)目意義隨著互聯(lián)網(wǎng)的快速發(fā)展， 每天有數(shù)千萬條信息生成， 包括文字信息、 圖 片信息、視頻信息、語音信息等，通過百度、谷歌等大型商業(yè)搜索引擎可以 找到自己想要的信息，但是也存在很多弊端。百度、谷歌等大型商業(yè)搜索引擎的搜索原理是基于網(wǎng)絡(luò)爬蟲（ Spider ） 在世界各地百萬臺(tái)服務(wù)器上爬取網(wǎng)頁數(shù)據(jù)， 然后存儲(chǔ)到數(shù)據(jù)庫之后展現(xiàn)給查 詢用戶，隨著網(wǎng)站數(shù)量以及網(wǎng)絡(luò)上信息更新的快速化， 這些網(wǎng)絡(luò)爬蟲不能保

2、證把所有的信息都抓到， 尤其是特殊行業(yè)的行業(yè)信息， 即便是抓到了也不一 定能夠在眾多數(shù)據(jù)中展現(xiàn)出來。 所以，對(duì)于一個(gè)部門來講， 有必要存在一款 互聯(lián)網(wǎng)信息檢索系統(tǒng)來檢索某一個(gè)行業(yè)的信息，每天自動(dòng)在各大行業(yè)網(wǎng)站、 政府網(wǎng)站等數(shù)據(jù)庫中檢索最新信息， 通過自建的網(wǎng)絡(luò)爬蟲進(jìn)行目標(biāo)數(shù)據(jù)的抓 取、存貯、歸類、展現(xiàn)。通過自己的信息檢索系統(tǒng)，可以讓自己部門每天輕松地獲得世界各地、 各個(gè)部門都發(fā)生了什么， 有哪些新的政策， 方便管理層在最新的信息數(shù)據(jù)下 快速做出正確的決定。據(jù)統(tǒng)計(jì)，內(nèi)部網(wǎng)上的信息每年以 200%的速度增長(zhǎng)，其中發(fā)布到互聯(lián)網(wǎng) 上的信息只占到信息量的 1%-2%，而 98%以上的信息是發(fā)布在內(nèi)部網(wǎng)上

3、的。 內(nèi)部網(wǎng)上的信息既有網(wǎng)頁形式的，也包含其他 Word PDF XML等多種格式 的數(shù)據(jù)。因此，面對(duì)內(nèi)部網(wǎng)中海量異構(gòu)的信息資源， 如何幫助用戶快速找到 他們所需要的信息是一個(gè)主要的技術(shù)挑戰(zhàn)。搜索引擎能幫助用戶方便、 快捷、安全地獲取內(nèi)部網(wǎng)上的信息， 在滿足 高效的同時(shí)， 更重要的是保證了較高的查全率和查準(zhǔn)率， 能提供智能化的概 念擴(kuò)展搜索， 極大的提高工作效率。 內(nèi)部網(wǎng)搜索引擎將組織中分散管理的信 息整合在一起， 在組織層面上實(shí)現(xiàn)新的增值與共享， 從而有效實(shí)現(xiàn)組織內(nèi)容 利用的最優(yōu)目標(biāo)。搜索引擎的目標(biāo)是實(shí)現(xiàn)內(nèi)部網(wǎng)全文檢索。 系統(tǒng)可對(duì)實(shí)施了內(nèi)部網(wǎng)站資源 進(jìn)行爬行， 無論內(nèi)部網(wǎng)上的數(shù)據(jù)源在何地、

4、以何種形式存在， 都能夠?qū)ζ淇?速地訪問， 通過準(zhǔn)確的分詞建立索引， 從而實(shí)現(xiàn)高質(zhì)量的搜索查詢。 搜索引 擎的主要目標(biāo)包括：（1）較高的查準(zhǔn)率。搜索系統(tǒng)支持按詞索引、按字索引，同時(shí)實(shí)現(xiàn)中 文自動(dòng)分詞。（2）較高的查全率。搜索系統(tǒng)可搜索各類異構(gòu)的信息資源，包括傳統(tǒng) 的網(wǎng)頁信息、Word PDF XML等不同格式的文檔以及各類主流數(shù)據(jù)庫的表 中記錄。（3）智能化的檢索結(jié)果排序。安全搜索系統(tǒng)應(yīng)采用相關(guān)度分析技術(shù)， 將用戶需要的信息排在結(jié)果列表的前面，屏蔽無用和錯(cuò)誤的信息。二 系統(tǒng)設(shè)計(jì)2.1 技術(shù)原理HX-2055互聯(lián)網(wǎng)信息檢索系統(tǒng)（以下簡(jiǎn)稱 HX-2055）是針對(duì)特殊行業(yè)、 政府部門、決策部門設(shè)計(jì)的

5、一款高效率互聯(lián)網(wǎng)信息檢索系統(tǒng)， 采用國(guó)際一流 程序算法設(shè)計(jì)， 系統(tǒng)構(gòu)架與谷歌和百度的搜索引擎擁有共同的技術(shù)特點(diǎn)， 能 夠保證系統(tǒng)對(duì)實(shí)時(shí)信息的快速采集、歸類、展現(xiàn)。在當(dāng)今信息爆炸的時(shí)代， 每個(gè)單位或個(gè)人都在為信息的快速增長(zhǎng)做出了 各種貢獻(xiàn)。信息的種類也在不斷的擴(kuò)展， 越來越多的非結(jié)構(gòu)化信息不斷出現(xiàn)， 包括企業(yè)的各種報(bào)表、帳單、電子文檔、網(wǎng)站的各種元素、圖片、傳真、掃 描影像，以及大量的多媒體的音頻、視頻信息等等。所有的存儲(chǔ)數(shù)據(jù)中，有 85%采用的是非結(jié)構(gòu)化格式的，非結(jié)構(gòu)化信息每三個(gè)月增長(zhǎng)一倍。由于信息 格式的差異很大，所以基本無法整合為統(tǒng)一的接口供政府工作人員或廣大群 眾方便使用。全文檢索是計(jì)算

6、機(jī)程序通過掃描文章中的每一個(gè)詞， 對(duì)每一個(gè)詞建立一 個(gè)索引，指明該詞在文章中出現(xiàn)的次數(shù)和位置， 當(dāng)用戶查詢時(shí)根據(jù)建立的索 引查找，類似于通過字典的檢索字表查字的過程。全文檢索系統(tǒng)是按照全文檢索理論建立起來的用于提供全文檢索服務(wù) 的軟件系統(tǒng)。全文檢索系統(tǒng)的核心則具有建立索引、處理查詢返回結(jié)果集、 增加索引、優(yōu)化索引結(jié)構(gòu)等功能。HX-2055全文檢索系統(tǒng)的主要目標(biāo)是實(shí)現(xiàn) 文本索引的快速構(gòu)建 （Index Construction） ，動(dòng)態(tài)文檔集的索引維護(hù) （Index Maintenance） ，短語查詢 （Phrase Query）,Top-K 查詢的快速處理 （Top-k Query Proc

7、ess）以及各種檢索模型（IR Model）等。高性能和靈活的架構(gòu)也使HX-2055全文檢索系統(tǒng)可以應(yīng)用在內(nèi)外網(wǎng)檢索、 專業(yè)系統(tǒng)資料檢索、行業(yè) 專業(yè)數(shù)據(jù)庫檢索。urn .-sr.ixiI MIK Notes J XX?XLSTPT.PDKOCIUWPSJiML,Kraiumpi41他網(wǎng)絡(luò)Lmd 卜 de采集子就悄h 陰網(wǎng) 訕內(nèi)14 姑HTIPhlrack4柑.a込乩滯肚Sqlscrv urSybaseMyitql蟲引了系嫌菱昇泱？;1睿器適配關(guān)鍵詞分析1Cftche fi 謝字段關(guān)聯(lián)同義帶銘自動(dòng)擷關(guān)廈圖1. HX-2055系統(tǒng)原理HX-2055 可以實(shí)現(xiàn)對(duì)內(nèi)部網(wǎng)絡(luò)和外部網(wǎng)絡(luò)的信息抓取、歸類、展

8、現(xiàn)。對(duì)于外 部網(wǎng)絡(luò)，HX-2055采用網(wǎng)絡(luò)爬蟲定時(shí)對(duì)各大行業(yè)網(wǎng)站、政府部門網(wǎng)站進(jìn)行數(shù)據(jù)爬 取，通過對(duì)海量數(shù)據(jù)的挖掘可以建立龐大的外網(wǎng)數(shù)據(jù)庫，通過一流的數(shù)據(jù)整理算法，簡(jiǎn)單、快捷、方便的展示給使用者。HX-2055 也可以對(duì)內(nèi)部網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)的挖掘、分析、整理、展現(xiàn)。HX-2055通過基于局域網(wǎng)的網(wǎng)絡(luò)爬蟲算法，可以對(duì)政府、行業(yè)內(nèi)部網(wǎng)站、單位內(nèi)部服務(wù)器資源等數(shù)據(jù)源進(jìn)行數(shù)據(jù)的抓取，包括內(nèi)部網(wǎng)絡(luò)的新政策、新聞通知、日常文檔、 文件資料等。HX-2055搜索引擎的系統(tǒng)體系架構(gòu)如圖所示內(nèi)部網(wǎng)用戶搜索請(qǐng)求返回結(jié)果搜索結(jié)果排序VI數(shù)據(jù)庫卄爬行控制數(shù)據(jù)源注冊(cè)、資源描述、策略描述索 引 庫爬行器用戶提交搜索、安全過濾

9、g 數(shù)據(jù)I電子 電子:一;庫表文檔郵件匸j :內(nèi)部網(wǎng)站 數(shù)據(jù)源1數(shù)據(jù)庫數(shù)據(jù)源2文件系統(tǒng) 數(shù)據(jù)源3郵件系統(tǒng) 數(shù)據(jù)源n內(nèi)部數(shù)據(jù)*索引模塊圖2 HX-2055內(nèi)部網(wǎng)絡(luò)搜索系結(jié)構(gòu)圖引擎實(shí)現(xiàn)了下列主要功能：（1）爬行器：爬行器根據(jù)資源描述信息對(duì)內(nèi)部網(wǎng)中各種異構(gòu)的資源信息進(jìn)行爬行，獲取所有能夠獲得的資源信息，資源信息的格式應(yīng)包括：Web網(wǎng)頁、 Word PDF Excel、PPT等格式的辦公文檔、各類主流數(shù)據(jù)庫的表中記錄。（2）索引器：通過中文分詞技術(shù)，對(duì)爬行到的資源信息進(jìn)行解析，建立索 引文件。（3）搜索：用戶提交其搜索條件，搜索條件經(jīng)過特定處理后，在索引文件中檢索出所有滿足搜索條件的資源。2.2系統(tǒng)構(gòu)

10、架全文檢索系統(tǒng)統(tǒng)一搜索平臺(tái)的總體架構(gòu)采用三層（數(shù)據(jù)層、應(yīng)用層和表現(xiàn)層）可擴(kuò)展的 設(shè)計(jì)，使整個(gè)系統(tǒng)不受硬件平臺(tái)的限制，具有良好的擴(kuò)展性和可管理性。袁現(xiàn)屬信事檢飯朋務(wù)栓竄烏緇栓索應(yīng)闿忌應(yīng)用服勢(shì)巾囘祥 Web I eg I c WebsHpher 1 chug al $養(yǎng)襤主檢只I 組合腔烹 牡賽跌抿 犠皈管理滌蜿疋現(xiàn)氏恚曾理詞典傅理S據(jù)維護(hù)甬戶管理權(quán)刪f理葉引營(yíng)理羸引創(chuàng)理 I 窮引同毋 I 素引筆略 I 購引雀扌戶二系統(tǒng)功能3.1信息采集1、采用多線程并發(fā)搜索技術(shù)。2、提供多種米集范圍控制方式，包括在指定網(wǎng)站內(nèi)，在指定域內(nèi)，以及在 指定IP地址范圍等方式。3、可以設(shè)置多種網(wǎng)站采集控制方式，包括采集

11、的網(wǎng)頁大小、超時(shí)限制等。4、提供高效更新功能，對(duì)于已經(jīng)采集過的網(wǎng)站，更新時(shí)只采集發(fā)生變化和 新加入的資源。5、可以靈活設(shè)定采集結(jié)果的存儲(chǔ)方式，具有開放性。3.2中文自然語言處理1、內(nèi)嵌自動(dòng)分詞系統(tǒng)，有效提高了分詞準(zhǔn)確性。2、在應(yīng)用層上，提供自動(dòng)分類和摘要功能；3、支持按詞索引、按字索引、按關(guān)鍵詞索引，適應(yīng)不同應(yīng)用環(huán)境的需求；4、內(nèi)嵌相似性檢索技術(shù)，提供文章的相似性檢索和聚類功能 3.3 全文檢索功能1、支持 Web Browser/Web Serve檢索方式；2、智能中文分詞： 采用先進(jìn)的自動(dòng)分詞系統(tǒng)， 根據(jù)大量的語料統(tǒng)計(jì)和分析， 建立了上萬條的歧義排除規(guī)則，因此檢索 “華人 ”不會(huì)把僅僅包含

12、 “中華人民共和 國(guó)”的文章檢索出來。3、支持結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的混合檢索；4、允許使用文中的任意字、詞、句和片段進(jìn)行檢索；5、全方位檢索手段：與、或、非、異或；6、對(duì)數(shù)值、日期等特征字段可以進(jìn)行比較和范圍檢索；7、支持任意一致的通配符檢索 （模糊檢索 ）；8、支持多網(wǎng)站的全文檢索9、具備中文自動(dòng)分詞系統(tǒng)，能有效提高分詞準(zhǔn)確性10、采用智能中文分詞技術(shù)，建立高效索引庫11、支持實(shí)時(shí)索引（ 1分鐘內(nèi)）12、支持增量式實(shí)時(shí)索引13、多線程設(shè)計(jì)，支持大量并發(fā)用戶訪問，每秒并發(fā)達(dá)到 50個(gè)以上14、支持在結(jié)果中查詢15、支持GBK、BIG5、UTF8、GB18030等編碼，采用 UTF8編碼方式實(shí)現(xiàn)多 語言和多文種內(nèi)容的檢索及展現(xiàn)。16、支持中文、英文和中英文混合檢索17、多樣化排序，包括按抓取時(shí)間排序、按相關(guān)性排序18、多種條件組合檢索：包括標(biāo)題、正文以及日期范圍檢索19、支持關(guān)鍵詞邏輯表達(dá)式組合檢索20、檢索結(jié)果支持基于查詢關(guān)鍵詞的動(dòng)態(tài)摘要21 、支持檢索關(guān)鍵詞的高亮顯示22、將所檢索到的信息可按設(shè)定的模版顯示23、檢索結(jié)果模板自定義如：如文章標(biāo)題、文章欄目、簡(jiǎn)介、作者、點(diǎn)擊率、時(shí)間以及文章類別等24、支持根據(jù)自動(dòng)分類的類目進(jìn)行檢索25、采用 KNN 、SVM 為基礎(chǔ)的相關(guān)性算法3.4 格式文件檢索支持 MS OFFICE, PDF, HTML, 可以對(duì) .pdf;.