江文龙 赵逢禹 陈 章

加权映射匹配方法的站内搜索引擎设计

江文龙 赵逢禹 陈 章

(上海理工大学光电信息与计算机工程学院 上海 200093)

通用搜索引擎与网站提供的站内搜索机制都无法实现基于内容的企业网站信息查找。在分析企业网站信息的类型后，针对该问题提出一个通用站内搜索引擎架构。给出该引擎的设计思想，介绍对象映射匹配方法、加权对象相似度计算算法、索引构建等实现技术。实现基于网页内容、Word与pdf附件内容的查找定位。实验结果显示，该方法具有很高的查准率和查全率。该引擎可为企业网站的内容搜索与个性化服务提供支持。

站内搜索 对象映射 附件内容 对象相似度

0 引 言

随着互联网技术的发展与广泛应用，网站信息的增长和传播速度也越来越快，网站的差异化发展与特色服务需求也就更加强烈。事实上很多网站在特色信息采集方面都相当成功，但由于缺少强有效的站内搜索引擎用户却只会看首页或相关栏目的第一页。长期积累的高价值信息被沉积在数据库的底部，信息资源被等同于新闻了。

目前企业内的站内搜索大多为基于数据库数据，用户可以搜索到符合标题、正文等条件的内容，但是对于存在页面中附件里的文本内容，当前站内搜索引擎是达不到的。例如，用户若想查找一份企业网站中以附件的形式存在于页面中的文件，要想获得文件的内容，用户只能通过逐个页面查找候选文件。……