主题无关的高质量WEB页面预选与检索研究

网络信息已迅速成为现代社会人们获取信息的主要来源之一，Web信息检索技术也起到越来越重要的作用。但是由于网络数据的大量膨胀，目前拥有最大规模网页索引量的搜索引擎能够索引并检索的网页数量仍不及整个Internet上的所有网页的六分之一。在未来很长的时间里，随着网络技术在更多国家中得到发展，Web数据将继续持快速增长的趋势，这对数据收集、建立和更新索引及检索都带来难以逾越的障碍。因此，如何通过与用户查询无关的方法来判断一个网页的质量，从而预先过滤掉部分网页，而保留最有价值的数据，已成为未来搜索引擎技术的一大挑战。本项目的主要目的就是研究Web信息检索服务的高质量页面筛选方法，考察并提出高质量页面的识别特征和定位算法，在数据收集层面上净化数据；并在此基础上，建立应用于高质量页面集合的信息检索模型与方法。