一个基于特征向量的近似网页去重算法——term用SVM人工提取训练，基于term的特征向量，倒排索引查询相似文档，同时利用cos计算相似度

摘  要  在搜索引擎的检索结果页面中,用户经常会得到内容相似的重复页面,它们中大多是由于网站之间转载造成的。为提高检索效率和用户满意度，提出一种基于特征向量的大规模中文近似网页检测算法DDW（Detect near-Duplicate WebPages )。试验证明，比起其他网页去重算法(I-Match)，DDW具有很好的抵抗噪声的能力及近似线性的时间和空间复杂度，在大规模实验中获得良好测试结果。

关键词  网页去重算法   特征向量   近似网页   支持向量机

第一部分介绍现有去重算法；第二部分论述DDW算法设计；第三部分介绍我们的试验结果和对结果的分析；第四部分是结论。

1  现有近似网页检测算法介绍

我们大致可以把文本复制检测算法分为两类：基于语法的方法（基于Shingle的方法）和基于语义的方法（基于Term的方法）。

1.1  基于Shingle的方法

Shingle是指文档中一组临近的有序词。基于shingle的算法要求从文档中选取一系列shingle，然后把shingle映射到Hash表中,一个shingle对应一个Hash值，最后统计Hash表中相同的shingle数目或者比率,作为判断文本相似度依据。参考文献［5-10］都是常用的基于single的算法。为实现大规模文档的检测，各研究者采用了不同的采样策略，用于减少参加比较的shingle的数量。

Heintze［8］选取Hash值最小的N个shingle， 并去除频繁出现的shingles。Bharat［6］选取Hash值为25倍数的shingle，每篇文档最多选取400个shingle。Broder［7］将多个single联合起来组成一个supershingle并通过比较supershingle的Hash值计算文档的相似度。尽管supershingle 算法计算量更小，但Broder发现它不适用于短小文档的检测。Fetterly［13］把连续出现的5个词视为一个shingle，每篇文档采样 84个shingle，然后将这些shingle组合为6个supershingle； 具有2个相同supershingles的文档被视为内容相似的文档。吴平博等［9］利用标点符号多数出现在网页文本中的特点,以句号两边各五个汉字作为single来唯一地标识网页。

对于各种基于shingle的算法，Ye［10］就其参数选择进行了系统研究。

1.2  基于Term的方法

基于Term的方法［11-14］采用单个词条作为计算的基本单元。通过计算文档特征向量的余弦值来获得文档的相似度，而不考虑词条出现的位置和顺序。由于采用了许多特征提取(尤其是特征向量的选择)技术，使得基于Term的方法比基于Shingle的算法更为复杂。

Chowdhury 的I-Match［11］算法通过计算逆文本频率指数（IDF ：inverse document frequency）来确定选择哪些词作为特征向量。IDF = log (N/n)，其中N 为文档集中文档的数目，n 为包含该关键词的文档的数目。I-Match算法正是基于“在文档集中频繁出现的词并不会增加文档的语义信息”［13］的推断，去掉IDF值较小的词，从而获得了更好的文档表示。经过过滤的关键词按降序排列构成文档的“指纹”（fingerprint），指纹相同的文档被视为近似文档。最坏情况下（所有文档都是近似文档），I-Match算法的时间复杂度为O(nlogn)。

2  基于特征向量的去重算法设计

本文提出的基于特征向量的大规模中文网页去重算法，采用类似I-Match的关键词向量提取方法，但同时采用关键词的位置和权重信息构建特征向量来进行文档表示。不计算特征向量的hash值而是利用分类信息和检索系统来进行文档相似度计算和排重。具体设计方案如下:

2.1  网页的文本提取

网页中包含的广告信息、链接到其他网页的导航信息等，都会对该网页内容检索产生干扰。因此，在对网页的内容建立索引之前，我们需要对其中的有效正文信息进行了提取。采用的是我们另一项课题的研究成果［15］：

1）根据网页的视觉信息将文章分块，并人工标注各个内容块是否为有效信息块。

2）提取内容块的空间位置、视觉特征、语言信息及结构特征。

3）提取文章标题，使用潜语义分析方法计算内容块与文章标题的潜在语义相关度。

4）将以上信息构成内容块的特征向量。

5）使用人工标注的内容块做六折交叉法，训练SVM（Support Vector Machine）分类器。

6）使用训练好的SVM分类器判断新的内容块是否为有效信息块；提取有效信息块中的文本作为有效的正文信息。

2.2  文本的表示

迄今为止，文本的表示主要还是采用向量空间模型(VSM)。在该模型中，文档空间被看作是由一组正交向量张成的向量空间。若该空间的维数为n，则每个文档d可被表示为一个特征向量Vd=(ω1，ω2，…，ω1，…，ωn)，其中ωi表示特征向量中第i个特征项的权重。

特征项的选取即文本特征的提取过程。目前常用的特征选择策略有:文档频数(Document Frequency)、信息增益(Information Gain)和互信息(Mutual In formation)等特征选择方法。

从中文信息处理角度来看，比较好的方式是利用意义较大的多字词来表示文档的内容，将文本分词后，将这些词的权重作为向量的分量来表示文本。但由于中文分词的词典规模一般在5万到25万词条之间［16］。也就是说中文的特征空间维数比英文高很多。在相同规模训练语料条件下，更高的维数必然导致更多的低频词出现。在这样的情况下使用IG和MI进行特征抽取，由于它们对低频词的倚重，必定将会有更多的低频词作为特征使用。从而导致了特征向量抽取的不准确。文献［17］的试验结果表明在中文特征向量问题上它们的表现远远不及TFIDF。

因此，我们在系统中采用了一种使用比较普遍的TF-IDF公式来计算各个分量的权重！

2.3  索引构建

为了对特征向量进行快速访问，必须对特征项建立索引机制。倒排索引具有实现相对简单、查询速度快、容易支持同义词查询等优点。本文对特征项建立倒排索引文件。在我们的系统中有文章类别信息的支持，可以针对不同类别建立特征项索引，以提高检索效率。

2.4  特征向量检索

由于网页噪声的影响,重复网页的文本特征向量有时不完全相同,精确匹配会导致匹配失败。但由于特征向量是最能代表一篇文章的一组词，因此只用检索排在前边的n维特征向量并计算其相似度，即可基本确定两篇文章是否是近似文档。在得出匹配检索后，采用余弦公式（3）进行相似度计算。

若sim(d1,d2)>阈值可以推断d1,d2是近似网页。

3  实验结果及对比分析

4  结论

转自：http://www.cnindex.fudan.edu.cn/zgsy/2009n1/caoyujuan.htm