聚類搜索引擎概念和基本工作步驟解析

隨著互聯(lián)網(wǎng)技術(shù)和互聯(lián)網(wǎng)應(yīng)用系統(tǒng)的快速發(fā)展，各個領(lǐng)域的互聯(lián)網(wǎng)應(yīng)用系統(tǒng)都已經(jīng)積累了海量的Web數(shù)據(jù)，包括產(chǎn)品數(shù)據(jù)、用戶數(shù)據(jù)、評價數(shù)據(jù)、關(guān)聯(lián)數(shù)據(jù)、狀態(tài)數(shù)據(jù)等等。這些數(shù)據(jù)不僅內(nèi)容極其豐富，而且很大程度上都開放給互聯(lián)網(wǎng)用戶，可以免費的訪問、下載和處理。這就為進一步集成和開發(fā)這些Web數(shù)據(jù)的潛在價值，建立增值應(yīng)用提供了重要基礎(chǔ)。聚類搜索是近年來發(fā)展最為迅速的互聯(lián)網(wǎng)數(shù)據(jù)集成和增值技術(shù)。

聚類搜索是在垂直搜索基礎(chǔ)上發(fā)展起來的新型搜索技術(shù)。垂直搜索是主要針對行業(yè)的專業(yè)搜索，側(cè)重于某一行業(yè)領(lǐng)域，其目的是使用戶能夠更加方便地找出所需的專業(yè)信息。而聚類搜索是為了進一步提高搜索的精度使其符合用戶的搜索習慣和興趣，在搜索引擎的搜索結(jié)果中進行聚類，把搜索出來的信息進行分類處理，將使信息資源更加清晰明了。

所謂聚類搜索引擎，就是運用聚類技術(shù)對搜索結(jié)果進行自動聚類分析的搜索工具。其特點是去重性強、分類性強、匯集性強，即可以及時去除重復信息，對搜索的結(jié)果進行分門別類，并可以匯集各大知名搜索引擎的信息資源。

目前，典型的聚類搜索引擎的基本工作步驟為：①依據(jù)用戶查詢的關(guān)鍵字，從一個或多個搜索引擎獲取搜索結(jié)果；②對搜索結(jié)果進行預(yù)處理，過濾掉重復、無效信息；③將文檔中關(guān)鍵短語作為特征提取出來生成聚類標簽；④將文檔分配到生成的聚類標簽下；⑤將聚類后的搜索結(jié)果進行排序并顯示給用戶。